本文的研究背景在于实际工业应用中,深度学习模型的推理速度直接影响到工业生产的效率。因此,在日益增长的生产效率需求下,实现表面缺陷实时检测的轻量化方法是一项重要的任务。然而,现有的大多数像素级检测方法要么采用巨大的计算开销来学习丰富的特征,导致推理速度慢;要么在应用于不同的工业表面缺陷场景时性能下降。 为了解决这些问题,本文提出了一种高效的针对表面缺陷实时检测的设计(Efficient Targeted Design, ETD),它包括两个分支:一个高效的特征增强分支,通过全局聚合模块(GAM)和跨尺度引导模块(CGM)逐步增强缺陷特征;以及一个轻量级边缘后验分支,用于隐式地指导网络捕捉更详细的信息。 此外,由于大多数缺陷检测模型是为特定的工业环境设计的,因此在不同环境中性能可能会下降。探索具有高泛化性能的模型将大大减少工业缺陷检测的复杂性。因此,本文特别设计了一个轻量级模型以降低模型结构复杂度,提高模型的推理速度,并增强模型的通用性。该模型旨在平衡精度与速度,并结合高精度与高速度架构的优势,构建一个兼顾准确性和速度的框架。同时,该模型还针对工业表面图像的一些通用特性进行了优化,如缺陷图像对比度低、缺陷尺寸变化大以及缺陷区域与非缺陷区域纹理相似等挑战。