一、面向实时应用的轻量化模型研究：技术演进与实践探索
成果1 SSA-YOLO算法
在热轧带钢生产过程中，表面缺陷的存在严重影响产品质量，传统检测方法效率低且易出错，深度学习方法虽有应用，但现有 YOLO 系列模型在检测时面临诸多挑战。为此，本文提出了 SSA-YOLO 模型，对 YOLOv5s 架构进行改进。在骨干网络的浅层卷积网络模块中融入卷积挤压激励（CSE）模块，增强对小缺陷相关特征的提取，减少冗余信息；在颈部网络融入 Swin 变压器（CST）模块，提升对不同尺度和复杂缺陷的特征表示能力；在检测头模块引入自适应空间特征融合（ASFF），增强特征金字塔网络（FPN）中高低层之间的交叉交互，抑制冲突信息。通过在 NEU-DET 数据集上的实验，验证了 SSA-YOLO 模型在热轧带钢表面缺陷检测中的性能，并与多种先进模型进行对比，还在 PKU-Market-PCB 数据集上评估了其泛化能力。
理论层面，论文提出的 SSA-YOLO 模型为热轧带钢表面缺陷检测提供了新的技术方案和研究思路。CSE 模块、CST 模块和 ASFF 模块的创新应用，丰富了深度学习在工业缺陷检测领域的理论与方法体系，为后续研究如何优化模型结构、提升检测性能提供了参考。实践方面，该模型在实际生产中具有重要应用价值。其较高的检测准确率和速度，能够有效帮助企业及时发现热轧带钢表面缺陷，减少次品率，提高产品质量，降低生产成本，增强企业在市场中的竞争力，推动钢铁行业生产质量控制的智能化发展。
成果2 面向高分辨率图像的区域掩码Transformer检测模型
在工业生产里，气缸套是内燃机的关键部件，它要是出现缺陷，会直接影响内燃机的使用和安全。可当前气缸套质量检测主要靠人工，效率低、成本高还不准确，而且对检测人员健康也可能有危害。所以，本文作者收集并建立了新的气缸套缺陷数据库，还提出了一种结合块划分和掩码机制的 Transformer 网络（TBM）来自动检测气缸套表面缺陷。首先用局部缺陷数据集训练 Transformer 网络，利用其分层架构和注意力机制获取多层次、有区分度的特征。接着，将网络和块划分方法结合，把图像分成 64 个局部区域来检测缺陷，再合并结果。最后，设计掩码抑制噪声干扰。通过在自建数据库上做实验，并与多种先进算法比较，验证了该方法的有效性。
这篇论文在理论和实践方面都成果颇丰。理论上，它为气缸套缺陷检测领域引入了新的技术思路和研究方法，推动了基于 Transformer 网络的缺陷检测技术发展。实践中，其建立的数据库为后续研究提供了数据支持；提出的 TBM 方法能更精准地检测出气缸套表面缺陷，在准确率上远超其他算法，计算效率也有优势。这不仅能帮助企业及时发现产品问题，提高产品质量，还能降低生产成本，对工业生产的质量控制和效率提升具有重要的实用价值。
二、样本受限下的破局之钥：鲁棒性模型构建的深度探索
成果1 基于自适应性双路Transformer检测模型
在工业生产中，产品表面缺陷检测至关重要。现有检测方法存在诸多问题，如传统方法依赖手工特征，深度学习中的 CNN 方法难以捕捉长距离依赖，Transformer 架构缺乏特征交互且受数据稀缺影响。针对这些，本文提出了自适应交叉变换器结合自监督对比学习的模型 ACViT-SCL。该模型基于少样本目标检测架构，通过双分支可学习适配器模块增强跨任务泛化能力，利用自监督对比学习提升特征判别力。研究人员在 NEU Steel Surface Defect、PKU-MarketPCB 和 Cylinder Liner Defect 等多个数据集上进行实验，将 ACViT-SCL 与多种先进方法对比，并开展消融实验，验证各组件的有效性。
理论层面，ACViT-SCL 创新性地将自适应交叉变换器与自监督对比学习相结合，为表面缺陷检测领域引入全新的技术思路，丰富了相关理论体系，为后续研究提供了新的方向和方法参考。实践中，该模型显著提高了表面缺陷检测的精度和泛化能力，能够在不同工业场景下准确检测出多种表面缺陷，有效帮助企业提升产品质量检测效率，降低次品率，减少经济损失，对推动工业生产智能化、自动化发展具有重要意义。
成果2 基于稀疏交叉Transforer检测模型
在工业生产过程中，产品表面要是出现缺陷，就会影响产品质量。以前靠人工检查产品表面缺陷，不仅效率低，还容易受主观因素影响。后来有了基于经典机器视觉的检测方法，但准确性又不太够。深度学习兴起后，虽然在缺陷检测上有进步，可获取大量带标注的数据很难，导致检测效果还是不理想。这篇论文针对这些问题，提出了一种叫稀疏交叉变换器网络（SCTN）的新方法来检测产品表面缺陷。这个方法主要包含三个关键模块：残差层模块能更好地保留图像里的重要信息；稀疏层模块可以减少计算量，让网络运行更快；挤压激励模块能增强网络对缺陷特征的关注。研究人员用这个新方法在多个不同的数据集上做了实验，像气缸套缺陷数据集、NEU 钢表面缺陷数据集和 PKU-Market-PCB 数据集，还和其他先进的检测算法进行了对比，同时通过消融实验来看每个模块对检测效果的影响。
从理论层面来说，这篇论文提出的 SCTN 为表面缺陷检测领域提供了全新的技术思路。它把几种不同的模块组合在一起，探索出了在数据不足的情况下提高检测模型性能的新方式，丰富了相关的理论知识，给后面的研究提供了很好的参考。在实际应用中，SCTN 的优势十分明显。它在多个数据集上的检测表现都比其他方法好，能更准确地找到产品表面的缺陷。这对于工业生产来说意义重大，企业用了这个方法，就能更高效地检测出有缺陷的产品，减少次品，降低生产成本，提升产品质量，助力工业生产朝着智能化和自动化的方向更好地发展。
主要成果：
1. Xiaohua Huang, Jiahao Zhu, Ying Huo. SSA-YOLO: An improved YOLO for hot-rolled strip steel surface defect detection. IEEE Transactions on Instrumentation & Measurement, vol. 73, article no. 540017, pp. 1-17, 2024.
2. Xiaohua Huang, Yang Li, Yongqiang Bao, Xiaochun Zhu. Sparse cross-transformer network for surface defect detection. Scientific Reports, 14, 24731, 2024.
3. Xiaohua Huang, Yang Li, Yongqiang Bao, Wenming Zheng. Adaptive cross transformer with contrastive learning for surface defect detection. IEEE Transactions on Instrumentation & Measurement, vol. 73, article no. 2534717, pp. 1-17, 2024.
4. Qian Liu, Xiaohua Huang*, Xiuyan Shao, and Fei Hao. Industrial Cylinder Liner Defect Detection by Transformer with Block Division and Mask Mechanism. Scientific Reports, vol. 12, 10698, 2022.
5. 李阳，刘迁，黄晓华*. 基于生成对抗网络的气缸套表面缺陷图像生成，《南京工程学院学报》（自然科学版），第22卷，第1期，2024年：45-51.