来源：期刊VIP网 时间：
作者：韩俊嘉;段成璞;黄景涛;
单位：香港大学工程学院;广联达科技股份有限公司;河南科技大学信息工程学院;
摘要：传统人工检测存在标准不一、易受疲劳干扰等问题，而现有基于实时目标检测算法的深度学习方法因下采样操作会导致特征细节的丢失，且计算复杂度高，难以达到精准的要求。针对微观特征和计算量问题，提出一种轻量级高分辨率网络检测方法。该方法通过全程高分辨率特征保持架构保留细微缺陷信号，结合深度可分离卷积实现轻量化设计，引入条件通道加权机制优化多分辨率特征融合，并提出全局空间特征提取方法强化上下文关联。实验表明：该网络在NEU-DET和GC10-DET数据集上的mAP_(50)分别达到79.6%和70.9%,参数量仅为5.3M,GFLOPs为7.1,在双路RTX4090显卡上的FPS达117,相较此前的基准模型在检测精度和计算效率上均展现显著优势。消融实验验证了各模块的有效性，为金属表面缺陷的工业实时检测提供了高精度、低功耗的解决方案。
关键词：智能制造;;模式识别;;金属表面缺陷;;表面质量检测;;轻量化模型
基金资助：国家自然科学基金项目(U1504617)
