轻量级深度学习网络

铝表面缺陷检测

一种基于优化Faster R-CNN的轻量级网络，用于铝表面缺陷检测，具有优化的注意力模块和遗传K均值先验区域选择，检测精度高、速度快、稳定性好。

Yidong, Xie · 何虎

Sensors 2024

具体参数

平均精度均值 (mAP)

{'zh': '94.25', 'en': '94.25'} %

单一类别平均精度 (AP)

{'zh': '80', 'en': '80'} %

网络复杂度降低

{'zh': '14.3', 'en': '14.3'} %

数据集规模

{'zh': '3200', 'en': '3200'}

技术优势

检测精度达到工业标准

mAP 达到 94.25%，各类缺陷 AP 均超过 80%，满足工业缺陷检测标准。

网络更轻量

采用 Ghost 模型将网络复杂度降低 14.3%，在训练和验证中损失函数优化以及检测精度、速度和稳定性上表现优越。

多尺度特征融合

引入多尺度特征金字塔结构，整合高层语义信息与位置细节，有效提升缺陷识别准确率。

注意力机制增强

优化的 CBAM 模块进一步提升网络效率。

应用场景

• 工业质检：在铝材生产线上实时检出表面缺陷，替代人工目检，提升质检效率和一致性。
• 机器视觉：作为视觉系统中的缺陷检测算法，与 2D 相机配合实现高分辨率成像和自动识别。
• 智能制造：嵌入智能制造产线，利用深度学习模型实现质量闭环控制，减少废品率。