融合傅里叶卷积与差异感知的钢材表面微小缺陷检测算法

doi:10.16088/j.issn.1001-6600.2025041402

摘要/Abstract

摘要： 针对当前钢材表面缺陷检测方法对微小缺陷检测效果不佳的问题,本文提出一种融合傅里叶卷积与差异感知的钢材表面微小缺陷检测算法。该算法使用CSP-FFCM替换主干网络中的BasicBlock,通过在空间域和频域中进行卷积操作,以减少计算开销并提升网络的特征提取能力。然后,提出多尺度特征层优化策略,在保留细粒度特征信息的同时,优化计算资源分配,确保模型对微小缺陷细节信息的有效捕捉。最后,设计差异感知特征增强模块,通过强化微小缺陷的特征表示能力,进一步提升模型对微小缺陷的检测性能。实验结果表明,本文算法在NEU-DET和GC10-DET数据集上mAP分别达到83.7%和73.1%,在钢材表面微小缺陷的高精度检测任务中表现出显著的性能优势。

关键词: 微小缺陷检测, 傅里叶卷积, 多尺度特征层优化, 差异感知

Abstract: In order to solve the problem that current steel surface defect detection methods are ineffective in detecting small defects, an algorithm for detecting small defects on the steel surface that integrates Fourier convolution and difference perception is proposed. The algorithm uses CSP-FFCM to replace the BasicBlock in the backbone network, and performs convolution operations in the spatial and frequency domains to reduce the computational overhead and enhance the feature extraction capability of the network. Then, a multi-scale feature layer optimization strategy is proposed, which optimizes the allocation of computational resources while preserving fine-grained feature information to ensure that the model effectively captures the detailed information of tiny defects. Finally, a difference-aware feature enhancement module is designed to further improve the model’s detection performance of tiny defects by strengthening the feature representation capability of tiny defects. The experimental results show that the algorithm achieves mAP indexes of 83.7% and 73.1% on the NEU-DET and GC10-DET datasets, respectively, and exhibits significant performance advantages in the task of high-precision detection of tiny defects on steel surfaces.

Key words: minor defect detection, Fourier convolution, multi-scale feature layer optimisation, difference perception

中图分类号: TP391.41;TP183;TG142

张胜伟, 曹洁. 融合傅里叶卷积与差异感知的钢材表面微小缺陷检测算法[J]. 广西师范大学学报（自然科学版）, 2026, 44(2): 90-102.

ZHANG Shengwei, CAO Jie. Detection Algorithm of Tiny Defects on Steel Surface Based onFourier Convolution and Difference Perception[J]. Journal of Guangxi Normal University(Natural Science Edition), 2026, 44(2): 90-102.

参考文献

[1] 曹家乐, 李亚利, 孙汉卿, 等.基于深度学习的视觉目标检测技术综述[J].中国图象图形学报, 2022, 27(6):1697-1722.DOI:10.11834/jig.220069.
[2] LIU G H, MA Q W.Strip steel surface defect detecting method combined with a multi-layer attention mechanism network[J].Measurement Science and Technology, 2023, 34(5):055403.DOI:10.1088/1361-6501/acb5b5.
[3] ZHAO C, SHU X, YAN X, et al.RDD-YOLO:a modified YOLO for detection of steel surface defects[J].Measurement, 2023, 214:112776.DOI:10.1016/j.measurement.2023.112776.
[4] 朱传军, 梁泽启, 付强, 等.针对钢材表面小目标缺陷实时检测[J].组合机床与自动化加工技术, 2023(11):133-137.DOI:10.13462/j.cnki.mmtamt.2023.11.028.
[5] ZHANG T, PAN P F, ZHANG J, et al.Steel surface defect detection algorithm based on improved YOLOv8n[J].Applied Sciences, 2024, 14(12):5325.DOI:10.3390/app14125325.
[6] 黎源东, 贺智明.一种改进YOLOv8的钢材表面缺陷检测算法[J].软件导刊, 2024, 23(11):200-205.DOI:10.11907/rjdk.232108.
[7] 黄奥国, 罗小玲, 潘新.STC-YOLOv8:一种解决复杂背景下的钢材表面缺陷的检测方法[J].内蒙古农业大学学报(自然科学版), 2024, 45(5):67-76.DOI:10.16853/j.cnki.1009-3575.2024.05.009.
[8] 冯夫健, 罗太维, 谭棉, 等.基于自注意特征融合的钢材表面小目标缺陷检测[J].电子测量技术, 2024, 47(19):172-180.DOI:10.19651/j.cnki.emt.2416536.
[9] HE L Y, ZHENG L J, XIONG J P.FMV-YOLO:a steel surface defect detection algorithm for real-world scenarios[J].Electronics, 2025, 14(6):1143.DOI:10.3390/electronics14061143.
[10] 张航, 周毅, 邱宇峰.融合HGnetv2和注意力机制的钢材表面缺陷检测方法[J].电子测量与仪器学报, 2025, 39(1):36-49.DOI:10.13382/j.jemi.B2407618.
[11] ASHRAFI S, TEYMOURI S, ETAATI S, et al.Steel surface defect detection and segmentation using deep neural networks[J].Results in Engineering, 2025, 25:103972.DOI:10.1016/j.rineng.2025.103972.
[12] CHEN J H, JIN W L, LIU Y F, et al.Multi-scale and dynamic snake convolution-based YOLOv9 for steel surface defect detection[J].The Journal of Supercomputing, 2025, 81(4):541.DOI:10.1007/s11227-025-07036-w.
[13] HE K M, ZHANG X Y, REN S Q, et al.Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Los Alamitos, CA:IEEE Computer Society, 2016:770-778.DOI:10.1109/CVPR.2016.90.
[14] CARION N, MASSA F, SYNNAEVE G, et al.End-to-end object detection with transformers[C]//Computer Vision - ECCV 2020:LNCS Volume 12346.Cham:Springer Nature Switzerland AG, 2020:213-229.DOI:10.1007/978-3-030-58452-8_13.
[15] ZHAO Y A, LV W Y, XU S L, et al.DETRs beat YOLOs on real-time object detection[C]//2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Los Alamitos, CA:IEEE Computer Society, 2024:16965-16974.DOI:10.1109/CVPR52733.2024.01605.
[16] 张志从, 崔东, 郭金锋, 等.基于迁移学习ResNet-18的水稻病虫害识别研究[J].中国农学通报, 2025, 41(2):109-116.DOI:10.11924/j.issn.1000-6850.casb2024-0387.
[17] GAO N, JIANG X Y, ZHANG X H, et al.Efficient frequency-domain image deraining with contrastive regularization[C]//Computer Vision - ECCV 2024:LNCS Volume 15099.Cham:Springer Nature Switzerland AG, 2024:240-257.DOI:10.1007/978-3-031-72940-9_14.
[18] 李扬, 陈伟, 杨清永, 等.基于大核分离和通道先验卷积注意的PCB缺陷检测方法[J].燕山大学学报, 2024, 48(6):519-527, 549.DOI:10.3969/j.issn.1007-791X.2024.06.006.
[19] 姜贸翔, 司占军, 王晓喆.改进RT-DETR的无人机图像目标检测算法[J].计算机工程与应用, 2025, 61(1):98-108.DOI:10.3778/j.issn.1002-8331.2405-0331.
[20] HE Y, SONG K C, MENG Q G, et al.An end-to-end steel surface defect detection approach via fusing multiple hierarchical features[J].IEEE Transactions on Instrumentation and Measurement, 2020, 69(4):1493-1504.DOI:10.1109/TIM.2019.2915404.
[21] LV X M, DUAN F J, JIANG J J, et al.Deep metallic surface defect detection:the new benchmark and detection network[J].Sensors, 2020, 20(6):1562.DOI:10.3390/s20061562.
[22] KHANAM R, HUSSAIN M.YOLOv11:an overview of the key architectural enhancements[EB/OL].(2024-10-23)[2025-04-14].https://www.arxiv.org/abs/2410.17725.DOI:10.48550/arXiv.2410.17725.
[23] GAO S S, CHU M H, ZHANG L.A detection network for small defects of steel surface based on YOLOv7[J].Digital Signal Processing, 2024, 149:104484.DOI:10.1016/j.dsp.2024.104484.
[24] 王宁, 智敏.深度学习下的单阶段通用目标检测算法研究综述[J].计算机科学与探索, 2025, 19(5):1115-1140.DOI:10.3778/j.issn.1673-9418.2411032.

相关文章 15

[1]	田晟, 赵凯龙, 苗佳霖. 基于改进YOLO11n模型的自动驾驶道路交通检测算法研究[J]. 广西师范大学学报（自然科学版）, 2026, 44(1): 1-9.
[2]	黄文杰, 罗维平, 陈镇南, 彭志祥, 丁梓豪. 基于YOLO11的轻量化PCB缺陷检测算法研究[J]. 广西师范大学学报（自然科学版）, 2026, 44(1): 56-67.
[3]	黎豊玮, 谭玉枚, 宋树祥, 夏海英. 基于注意力引导的遮挡感知面部表情识别[J]. 广西师范大学学报（自然科学版）, 2025, 43(5): 104-113.
[4]	刘廷汉, 梁艳, 黄鹏升, 闭金杰, 黄守麟, 李廷会. 基于改进YOLOv8s的人脸痤疮小目标检测[J]. 广西师范大学学报（自然科学版）, 2025, 43(5): 114-129.
[5]	易见兵, 张裕贤, 曹锋, 李俊, 彭鑫, 陈鑫. 基于时空注意力的3D人体姿态估计网络设计[J]. 广西师范大学学报（自然科学版）, 2025, 43(5): 130-144.
[6]	田晟, 熊辰崟, 龙安洋. 基于改进PointNet++的城市道路点云分类方法[J]. 广西师范大学学报（自然科学版）, 2025, 43(4): 1-14.
[7]	李志欣, 匡文兰. 结合互注意力空间自适应和特征对集成判别的细粒度图像分类[J]. 广西师范大学学报（自然科学版）, 2025, 43(4): 69-82.
[8]	石天怡, 南新元, 郭翔羽, 赵濮, 蔡鑫. 基于改进ConvNeXt的苹果叶片病害分类算法[J]. 广西师范大学学报（自然科学版）, 2025, 43(4): 83-96.
[9]	汤亮, 陈博文, 牛一森, 马荣庚. 基于YOLOv8的雾天车辆行人实时检测方法[J]. 广西师范大学学报（自然科学版）, 2025, 43(3): 72-83.
[10]	梁胤杰, 南新元, 蔡鑫, 李云鹏, 勾海光. 基于数据增广与改进YOLOv8的桥梁缺陷检测[J]. 广西师范大学学报（自然科学版）, 2025, 43(3): 84-97.
[11]	郭翔羽, 石天怡, 陈燕楠, 南新元, 蔡鑫. 基于YOLO-CDBW模型的列车接触网异物检测研究[J]. 广西师范大学学报（自然科学版）, 2025, 43(2): 56-69.
[12]	苏春海, 夏海英. 抗噪声双约束网络的面部表情识别[J]. 广西师范大学学报（自然科学版）, 2025, 43(2): 70-82.
[13]	刘玉娜, 马双宝. 基于改进YOLOv8n的轻量化织物疵点检测算法[J]. 广西师范大学学报（自然科学版）, 2025, 43(2): 83-94.
[14]	戴林华, 黎远松, 石睿, 何忠良, 李雷. HSED-YOLO:一种轻量化的带钢表面缺陷检测模型[J]. 广西师范大学学报（自然科学版）, 2025, 43(2): 95-106.
[15]	刘俊杰, 马凯, 黄泽华, 田苗, 邱芹军, 陶留锋, 谢忠. 基于迁移学习及通道先验注意力机制的地质构造识别[J]. 广西师范大学学报（自然科学版）, 2025, 43(2): 107-120.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed