置信度梯度重加权与轻量级特征增强算法用于钢材表面缺陷检测

为钢材质量配备更锐利的“眼睛”

从汽车和桥梁到智能手机，现代生活依赖于缺陷极少的钢材。钢材表面上的细小划痕、凹坑或夹杂物可能削弱产品强度或缩短寿命，但这些缺陷通常很微小、对比度低，甚至先进的相机与软件也容易漏检。本文提出了 GRACE，一种新的计算机视觉方法，帮助自动化检测系统更可靠、更快速地识别这些细微缺陷，旨在提升安全性和制造效率。

为何微小缺陷难以发现

在钢厂和电子工厂，质检团队依靠高速相机和算法扫描每一卷经由传送带的金属。问题在于，许多缺陷体积小、形状不规则且与钢材复杂纹理的对比度很低。传统基于规则的系统依赖手工调节的阈值和人工设计的特征，容易受光照、噪声或生产条件变化的影响。深度学习系统虽有改进，但仍面临两大难点：其一，某些缺陷类型出现频率远低于其他类型，模型倾向于从常见模式中学习而忽视稀有但重要的缺陷；其二，网络的早期层常常丢失能区分缺陷与无害背景纹理的精细纹理与边缘信息。

更智能的训练策略

GRACE 算法基于一种现代且快速的目标检测模型 YOLO11s，加入了两项有针对性的改进。其一称为动态采样与置信度梯度平衡采样机制（DS-CBSM++），它改变的是模型的训练方式，而非单张图像的处理。在训练过程中，GRACE 持续监测模型对每类缺陷的置信度以及该类的学习信号（即梯度）大小。对于罕见或置信度低的缺陷类型，以及模型判别困难的图像，会被更频繁地采样；而容易且过度代表的样本会减少采样。这样的自适应重加权让网络在不增加模型规模或在实际运行中变慢的前提下，额外关注困难且被低估的缺陷。

轻量级的细节增强

第二项改进是轻量级特征增强网络（Lite-FEN），聚焦于小缺陷所在的图像细节。它在早期特征层上附加了一个紧凑的注意力模块，该层能保留最多的边缘和纹理信息。通过简单的通道与空间注意力操作，Lite-FEN 放大类似裂纹线或细小凹坑等有意义结构的信号，同时抑制无关的背景纹理。关键在于，这一额外处理仅增加很少的参数并保持低计算量，因此检测器仍能在生产线上的实时检测中保持高速运行。

在不同数据集上的更好检测效果

为了验证 GRACE，作者在三个公开的钢材表面缺陷数据集上进行了评估。在广泛使用的 NEU-DET 基准上，GRACE 在保持几乎相同速度和模型大小（约 9.56 百万参数、标准分辨率下接近每秒 60 帧）的同时，提升了关键的准确率指标（平均精度均值）。对诸如 crazing（网状裂纹）和点蚀等小型、低对比度缺陷类型的提升尤为明显。在另外两个数据集 GC10-DET 和 X-SDD 上的额外实验表明，GRACE 的优势并不依赖于单一图像集：即便背景纹理和缺陷类型发生变化，它仍能找回更多真实缺陷并更清晰地定位缺陷边界。

这对工业的意义

对非专业读者而言，核心信息是：GRACE 帮助自动检测系统更清晰地识别微小且难以发现的缺陷，而无需更大的计算资源或降低生产速度。通过在训练中倾向性地关注稀有与困难样本，并适度增强模型对细微纹理的关注，GRACE 减少了漏检与误报，尤其在类似真实工厂条件的复杂、有噪声图像中表现突出。虽然该方法目前主要在公开数据集上离线测试，但其设计已具备整合到实际生产线的条件，可望让钢材产品更安全、更可靠且减少生产浪费。

引用: Chen, L., Guo, C., Wu, X. et al. Confidence–gradient reweighting and lightweight feature enhancement algorithm for steel surface defect detection. Sci Rep 16, 5676 (2026). https://doi.org/10.1038/s41598-026-36543-w

关键词: 钢材表面缺陷, 自动视觉检测, 深度学习检测, 小目标检测, 工业质量控制