基于剪枝与知识蒸馏的轻量级金属表面缺陷检测算法

《Scientific Reports》：Lightweight metal surface defect detection algorithm based on pruning and knowledge distillation

　　

摘要

金属表面缺陷检测模型存在参数众多且计算复杂度高的问题，难以在工业边缘设备上部署。为解决这些问题，本文提出了一种结合协同剪枝与蒸馏技术的轻量级算法。该算法基于YOLOv8，通过L1正则化结构化剪枝来压缩SAF-YOLOv8模型以提高效率。经过剪枝后的模型与未剪枝的模型分别作为后续知识蒸馏中的学生模型和教师模型。BFCD-KD知识蒸馏方法将中间层特征与检测头的回归和分类分支以及原始模型的损失函数相结合。这种集成方法能够传递教师模型在特征表示、定位和分类方面的知识，从而优化模型性能。实验结果表明，该算法可使模型的FLOPs减少51.0%，参数数量减少41.5%，同时在GC10-DET数据集上的mAP@0.50值达到70.6%，实现了精度与效率的平衡。此外，还利用轻量级的SAF-YOLOv8模型开发了一套适用于工业现场的实时交互式金属表面缺陷检测系统。该系统整合了工业相机、可控光源以及基于PyQt5框架构建的图形化交互界面，能够实现实时可视化及交互式的缺陷检测功能。