面向实时的轻量级多组多尺度双向交互网络用于钢板表面缺陷检测
计算机视觉与模式识别
2025-08-25 v1 人工智能
摘要
实时表面缺陷检测对于维持钢铁制造业的产品质量和生产效率至关重要。尽管已有深度学习方法在准确率方面表现前景，但常常受高计算复杂度和慢推理速度的制约，限制了其在资源受限的工业环境中的部署。最近的轻量级方法基于深度可分离卷积 (DSConv) 采用多分支架构来捕获多尺度上下文信息。然而，这些方法常常导致计算开销增加，缺乏有效的跨尺度特征交互，限制了其充分利用多尺度表征的能力。为此，我们提出 GMBINet，一种轻量级框架，通过创新的 Group Multiscale Bidirectional Interactive (GMBI) 模块来增强多尺度特征提取和交互。GMBI 采用基于组的多尺度特征提取策略，确保尺度无关的计算复杂度。它进一步集成了 Bidirectional Progressive Feature Interactor (BPFI) 和参数无关的 Element-Wise Multiplication-Summation (EWMS) 操作，以无需引入额外计算开销的方式增强跨尺度交互。在 SD-Saliency-900 和 NRSD-MN 数据集上的实验表明，GMBINet 在 GPU 上以 1048 FPS 的实时速度，在 512 分辨率下仅使用 0.19 M 参数就实现了具竞争力的准确率。此外，对 NEU-CLS 缺陷分类数据集的额外评估进一步确认了该方法在更广泛的工业视觉应用中的强大泛化能力，超越表面缺陷检测。该数据集和代码已公开于 https://github.com/zhangyongcode/GMBINet。
引用
@article{arxiv.2508.16397,
title = {A Lightweight Group Multiscale Bidirectional Interactive Network for Real-Time Steel Surface Defect Detection},
author = {Yong Zhang and Cunjian Chen and Qiang Gao and Yi Wang and Bin Fang},
journal= {arXiv preprint arXiv:2508.16397},
year = {2025}
}