在强烈晶粒边界干扰下通过结构先验和能量感知注意力实现的轻量级金相缺陷检测框架

为什么钢材中的微小缺陷至关重要

从汽车齿轮到高压管道，许多日常机器都依赖一种常见的工程材料：常标为 AISI 1020 的低碳钢。在工程师信赖这种钢材之前，他们会观察抛光并腐蚀处理后的薄片以评估金属的内部组织。但如果试样表面本身有污渍、划痕或不平整，这些制备缺陷可能会伪装成真实的材料问题。本文提出了一种新的轻量级人工智能工具，能够快速且可靠地识别这些细微的制备缺陷，即使它们几乎被显微镜下复杂的晶粒纹理背景淹没也能检测到。

识别微弱缺陷的挑战

在高倍放大下，钢材看起来像由许多称为晶粒的小区域组成的马赛克，晶粒之间由复杂的晶界网络分隔开来。这些晶界形成了密集且高对比的纹理，很容易掩盖诸如水渍、残留腐蚀液或轻微不平整表面等制备缺陷所产生的微弱信号。标准的计算机视觉模型（包括流行的 YOLO 检测器）通常假设目标能从背景中明显区分出来。在金相学中情况往往相反：背景既强且有结构，而缺陷在形状和尺寸上都弱且不规则。随着图像在深度网络中不断压缩，这些微弱信号很容易被平滑掉，导致漏检或将无害的纹理误判为真实缺陷。

为金相检测量身定制的框架

为此，作者构建了 RSS‑YOLOv10，这是针对显微钢材图像专门调优的最近 YOLOv10 实时检测器的定制变体。他们从最小的“nano”版本 YOLOv10 入手，以保持模型紧凑并避免对复杂晶粒模式的过拟合。在此基础上，作者重新设计了网络特征提取器和特征融合阶段的关键模块，使系统能够在不显著增加计算量的情况下处理从微小凹坑到大面积污渍的极端缺陷尺度变化。他们还保留了 YOLOv10 的端到端训练策略，避免了耗时的后处理步骤，适合快速的工业检测。

新组件如何协同工作

RSS‑YOLOv10 的核心是一个名为 RepHMA 的新模块，它替换了主干网络中的标准构建块。RepHMA 通过若干并行分支以不同的邻域尺寸“观察”每个图像块，然后在实际检测时将它们合并为单一且高效的模块。这种多尺度视角帮助模型同时捕捉微小斑点和较大模糊区域。第二个成分是 SimAM 注意力机制，它像一个过滤器一样将每个小区域与其周围进行比较，并增强那些与重复晶粒背景显著不同的区域。重要的是，SimAM 在不增加可训练参数的情况下发挥作用，从而保持模型的轻量特性。最后，重新设计的“SlimNeck”部分使用经过挑选的卷积在不同分辨率层之间融合信息，既保留有用细节又削减了冗余计算。

基于真实钢材数据的构建与测试

由于现有的金相图像集合通常集中于理想的、无缺陷的试样，团队构建了自己的基准数据集 20 S‑PDD。该数据集包含实验室制备的 20 块钢的 1,200 多张显微镜图像，专家对三类制备缺陷进行了细致标注：水渍、腐蚀性液体残留和表面不平整区域。作者在该数据集上训练并评估了 RSS‑YOLOv10，并将其与基线 YOLOv10n 及若干知名检测器（包括 Faster R‑CNN、SSD、YOLOv5、YOLOv8 以及一个基于实时 Transformer 的模型）进行了比较。他们还在一个独立的、尺度更大的钢材表面缺陷公开数据集上测试了该方法，以评估其在显微图像之外的泛化能力。

结果说明了什么

在金相 20 S‑PDD 数据集上，RSS‑YOLOv10 在精度、召回率和整体检测准确性方面均优于所有对比模型，使平均精度（mAP）比 YOLOv10n 基线提高了近四个百分点，同时使用了更少的浮点运算。该模型在将污渍和腐蚀残留与周围晶粒纹理区分开方面尤为有效，减少了漏检和误报。在独立的 NEU‑DET 钢材表面数据集上，模型再次超越基线，表明其核心设计选择对不同类型的有纹理金属图像具有鲁棒性。模型内部“热图”的可视化结果也证实了其紧密聚焦实际缺陷并在很大程度上忽略晶界。

这对日常实践的重要性

对金相实验室和质量控制工程师而言，该框架提供了一种在对钢的真实显微组织进行更深入分析之前自动筛查制备缺陷的方法。由于 RSS‑YOLOv10 紧凑且高效，它可以在标准台式硬件或嵌入式设备上实时运行，便于在现有显微镜旁作为常规工具使用。尽管当前工作聚焦于单一钢级和有限数量的试样，但该方法为更广泛的金相质量自动检测开辟了道路，有助于减少人工疲劳和不一致性，并保护那些支撑安全关键工程决策的后续测量结果。

引用: Shen, Z., Deng, Q., Wu, Z. et al. A lightweight metallographic defect detection framework via structured priors and energy-aware attention under strong grain boundary interference. Sci Rep 16, 10969 (2026). https://doi.org/10.1038/s41598-026-45556-4

关键词: 金相缺陷检测, 钢组织显微结构, 深度学习检测, 自动显微镜检查, YOLO 目标检测