DSF-Net：一种用于精确检测金属表面缺陷的方向性空间频率融合网络

《Expert Systems with Applications》：DSF-Net: A Directional Spatial-Frequency Fusion Network for Accurate Metal Surface Defect Detection

金属表面缺陷检测中传统CNN方法在方向感知和频率域建模上存在不足，本文提出DSF-Net通过方向空间混合模块和频率分离增强模块，结合统计先验编码和频域对齐损失，有效捕捉多方向纹理和频率细节，并推出轻量版DSF-Lite。实验表明在NEU-DET和GC10-DET数据集上检测精度、速度均优于主流方法。

　　

作者：左燕、曲振生、张书帅、余志伟、蔡新旭、杨一宁、杨永利、江新通、林川

哈尔滨工业大学航天学院，中国黑龙江省哈尔滨市南岗区西大直街92号，150001

摘要

在工业制造中，由于金属表面的均匀性，表面缺陷往往难以被察觉，而即使是非常微小的瑕疵也可能严重影响产品的质量和安全性。近年来，基于卷积神经网络（CNN）的金属表面缺陷检测方法在性能上取得了显著进展。然而，大多数现有方法仍然局限于标准的空间域卷积，难以有效建模缺陷的频域响应及其多方向结构特征。为了解决这些限制，我们提出了DSF-Net，该网络结合了方向感知和频域特征提取。DSF-Net能够沿多个方向捕获缺陷特征，并在频域中强化这些特征作为互补信息。具体来说，我们构建了一个由频率分离双路径增强模块（FSDE）组成的频域分支，该分支由统计先验编码器（SPE）指导，以增强方向空间混合模块（DSM）产生的方向感知特征。此外，我们设计了一种频率感知对齐损失（FAL），用于约束频域-幅度空间中特征分布的一致性，从而加强高频成分对缺陷边缘和局部结构的引导作用，从而提高对细微和低对比度缺陷的检测灵敏度和鲁棒性。对于资源受限的场景，我们进一步开发了一个轻量级变体DSF-Lite。在发动机内孔缺陷数据集NEU-DET和GC10-DET上的实验表明，所提出的方法优于现有的主流模型。源代码将在https://github.com/zuoyan123123-commits/DSF-Net-metal-defect发布。

引言

金属材料广泛应用于航空航天、汽车制造和能源设备领域，其表面和内孔的完整性直接关系到组件的性能和系统安全（Satterlee, Torresani, Olevsky等人，2024年）。然而，在制造和使用过程中，金属表面和环形内孔上经常会出现裂纹、划痕和夹杂物等小缺陷。如果未能及时检测到这些缺陷，它们可能会对产品质量和安全性构成严重威胁（Liu, Zhang, & Dong，2023年）。近年来，深度学习在目标检测技术方面取得了快速进展，并在一般视觉任务中取得了显著成果（Zou, Chen, Shi等人，2023年）。例如，ConvNeXt通过引入大型卷积核和改进的归一化策略，实现了类似Transformer的建模能力（Yu, Zhou, Yan等人，2024年）。基于选择性状态空间模型的Mamba及其变体可以高效捕获长距离依赖性，但在高分辨率场景下仍会带来额外的内存开销（Gu & Dao，2024年）。同时，在小目标检测方面，YOLO系列在特征金字塔、多尺度特征融合和解耦检测头方面不断优化，显著提高了检测精度和推理速度（Nikouei, Baroutian, Nabavi等人，2025年）。 工业缺陷检测是小目标检测的一个特殊分支，其特点是缺陷分布稀疏、形状多样、尺寸变化大以及正样本和负样本之间的极不平衡，通常需要实时推理。近年来，基于深度学习的方法逐渐取代了人工检测和模板匹配，成为工业检测的主流方法。例如，MFFN通过多形态特征融合补偿了内孔展开和中心极化造成的信息损失，显示出对环形金属内壁缺陷检测的更强鲁棒性（Qu, Cai, Zhang等人，2025年）。 然而，现有方法仍面临三个主要挑战： - 高计算成本和不足的推理效率，难以满足在线工业检测的要求； - 对多方向纹理模式的敏感度不足，导致无法有效建模缺陷的方向结构特征； - 忽视了频域信息，未能利用频谱中包含的高频细节和周期性模式作为补充信息。 考虑到金属表面通常具有周期性纹理，而缺陷通常表现为不规则的扰动，因此在空间域增强方向感知并结合频域建模成为提高检测性能的有效方法。如图1所示，无缺陷样本的频谱紧凑且规则，以低频能量为主，而有缺陷样本的频谱则表现出分散且不对称的高频成分，严重破坏了原始模式。这一观察表明，频域特征可以揭示在空间域难以捕捉的细微差异，从而提高模型对细微缺陷的敏感度和鲁棒性。最近的研究还表明，频域建模有助于抑制背景干扰，并改善工业检测中弱缺陷模式的表示（Bao, Zhang, Bao, Li, & Zhang，2025年；Bastami, Aasi, & Arghand，2019年；Liu等人，2024a）。 我们提出了一种新颖且高效的缺陷检测框架DSF-Net。首先，该框架在特征提取过程中增强了缺陷结构的方向感知，同时利用频域信息来补充细粒度细节建模，从而实现对缺陷模式的更全面表征。其次，我们引入了一种频率感知对齐损失（FAL），强制特征分支之间的频谱一致性，并强调高频成分的引导作用。最后，考虑到工业场景对效率的严格要求，我们构建了一个轻量级变体DSF-Lite，在保持相同设计理念的同时显著降低了计算成本，同时保持了竞争性的检测精度。 本工作的主要贡献如下： - 我们提出了DSF-Net，该框架在空间域中结合了方向空间混合模块来捕获多方向纹理模式，并在频域中引入了增强模块来提取补充信息。通过同时在空间域和频域对特征进行建模，DSF-Net显著提高了缺陷表示能力和检测精度。 - 我们引入了一种频率感知对齐损失（FAL），该损失针对双分支架构进行了定制，强制频谱空间中特征分布的一致性，并强调高频成分在缺陷边缘和局部区域的引导作用，从而提高对细微缺陷的敏感度和鲁棒性。 - 我们设计了一个轻量级变体DSF-Lite，采用单路径架构并在每个阶段集成独立的频率增强模块。这种设计减少了跨阶段依赖性和额外的计算开销，大幅降低了参数数量和FLOPs，同时保持了高检测精度，非常适合实时工业检测场景。 - 所提出的方法在发动机内孔缺陷数据集NEU-DET和GC10-DET上进行了全面评估。实验结果表明，我们的方法在检测精度、计算效率和推理速度方面始终优于主流方法，显示出其在实际应用中的强大潜力。

小目标检测与工业缺陷

由于目标尺寸小、特征稀疏且容易受到背景干扰的影响，小目标检测一直是目标检测领域的一个挑战（Cheng, Yuan, Yao等人，2023年）。为了解决这些问题，研究人员提出了多种优化策略——改进特征金字塔中的信息流、增强多尺度特征融合、设计轻量级的解耦检测头以及优化标签分配方案——这些策略共同

方法

本节首先介绍了所提出的检测框架DSF-Net的整体架构，并在同一设计理念下介绍了轻量级变体DSF-Lite，强调了两者在结构和计算成本方面的差异。随后，在模块层面，我们详细介绍了方向空间混合模块（DSM）和频率分离双路径增强模块（FSDE）的设计原理及其在特征表示中的作用

数据集和实现细节

实验在Python 3.8环境中进行，使用PyTorch 1.13.1作为深度学习框架，并利用CUDA 11.8和cuDNN 8.2.1进行GPU加速。硬件平台为NVIDIA GeForce RTX 3090 GPU。训练过程中采用了标准的数据增强技术，并使用了自动混合精度（AMP）来提高效率；除非另有说明，所有基线模型都遵循相同的训练配置

结论

本文提出了DSF-Net，这是一种用于金属表面缺陷检测的方向空间-频率融合网络。DSM模块用于沿多个方向增强缺陷的空间表示，FSDE模块显式提取频域细节以补充空间特征，SPE提供稳定的统计先验来指导频域特征的分布，FAL旨在强制空间域和频域分支之间的频谱一致性

CRediT作者贡献声明

左燕：概念化、方法论、软件、形式分析、调查、可视化、撰写——原始草案。 曲振生：监督、项目管理、资金获取、资源协调、方法论、撰写——审阅与编辑。 张书帅：验证、可视化。 余志伟：验证。 蔡新旭：验证。 杨一宁：验证、调查。 杨永利：验证、调查。 江新通：验证。 林川：验证。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文所述的工作。