SD-GASNet:高效的双域多尺度融合网络与自蒸用于表面缺陷检测
Jiahao Fu1, Zili Zhang1,2, Tao Peng1,2
1School of Computer Science and Artificial Intelligence, Wuhan Textile University, Wuhan 430200, China.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
本研究介绍了SD-GASNet,这是一个用于工业表面缺陷检测的新型深度学习模型. 它通过使用自蒸策略和先进的功能融合技术来提高准确性和实时性能,即使资源有限.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 工业自动化 工业自动化
背景情况:
- 表面缺陷检测对于工业质量控制至关重要.
- 深度学习模型与微妙的缺陷,大变化和有限的计算资源作斗争.
- 现有的方法在各种工业环境中缺乏准确性和实时性能.
研究的目的:
- 开发一个高效,准确的深度学习网络,用于工业表面缺陷检测.
- 为了应对微妙缺陷,尺度变化和计算约束的挑战.
- 改进跨不同传感器类型和数据集的概括性.
主要方法:
- 提出了SD-GASNet,一个采用自蒸模型压缩策略的网络.
- 引入了调整,增强和同步特征金字塔网络 (AES-FPN) 与频域信息收集和分配 (FIGA) 和频道同步 (CS) 模块.
- 利用多尺度特征对齐 (MFA) 和频率引导感知增强模块 (FGPEM) 进行特征提炼和增强,以及用于自蒸的增强KL分歧损失.
主要成果:
- 在三个公共数据集 (NEU-DET,PCB,TILDA) 上,SD-GASNet 实现了最先进的性能.
- 在不同的工业成像应用中展示了出色的概括能力.
- 实现了卓越的准确性和180 FPS的竞争性推断速度.
结论:
- SD-GASNet为基于传感器的工业成像提供了一个强大的和可通用的解决方案.
- 提出的方法有效地解决了检测微妙缺陷和资源限制的挑战.
- 该网络提供高精度,实时的表面缺陷检测,对于工业质量控制至关重要.