LIDD-Net：基于深度学习的轻量级工业产品缺陷检测方法

摘要

工业产品中存在各种缺陷，且不同类型缺陷之间存在着高度相似、尺度变化大、背景信息复杂等问题.为解决这些问题，本文提出了轻量级工业缺陷检测网络（LIDD-Net）.针对相似度高的不同种类缺陷，LIDD-Net设计了通道交互分离骨干网络，在降低模型计算量的同时提高了特征提取能力；针对不同尺度的缺陷，LIDD-Net提出了轻量化特征融合网络RepGhostPAN，在能融合图像中多尺度特征的同时提高了推理速度；针对检测背景的复杂性，LIDD-Net提出了轻量辅助训练模块，通过使用辅助训练头和动态软标签分配策略，可更好地区分目标缺陷与复杂背景.通过在钢材缺陷、铝缺陷和轮胎缺陷数据集的实验结果表明，LIDD-Net在参数量仅为0.62×10～6的情况下分别获得了98.3%,98.1%和96.1%的mAP@0.5，可以满足工业现场实际需求.

关键词

工业缺陷检测 / 轻量化检测网络 / 特征融合 / 结构重参数化 / 注意力机制