基于LIR和GFNet的带钢表面缺陷识别

针对深度学习(deep learning,DL)模型处理带钢表面缺陷图像存在计算成本大、实时性差的问题,提出了一种基于可学习的图像调整器(learnable image resizer,LIR)和扫视-聚焦网络(glance and focus network,GFNet)的带钢表面缺陷分类方法。首先,针对DL模型在处理带钢表面缺陷图像时存在空间冗余的问题,提出GFNet驱动的带钢表面缺陷识别模型,其可以根据不同样本自适应分配计算资源,在模型推理阶段显著减少计算量;其次,提出LIR和GFNet联合训练的方法,调整图像大小的同时实现针对识别模型的特征增强;最后,收集整理了某钢铁企业冷轧薄板厂带钢表面缺陷数据集,利用所提方法进行分析。将残差网络(residual networks,ResNet)的ResNet-50模型作为主干网络,与原始ResNet-50比较,所提方法在不牺牲准确率的情况下,将单张图像的推断时间减少约3.58倍,计算量降低约6.11倍,从而验证了提出方法的有效性。