计算机工程与应用

作者：仵大奎, 葛承昆, 周文举, 高艺友

单位：工业场景下的钢材表面缺陷实时检测网络

关键词：缺陷检测,特征提取,注意力机制,上下文信息

基金：国家自然科学基金（U24A20259）。

针对工业生产中，金属表面的缺陷检测任务面临着缺陷尺度差异大、特征提取困难和推理实时性差等问题，提出了一种新型高效的改进模型MBAC-YOLO（YOLO with multi-head convolution，bio-inspired hybrid attention module and contextual enhancement）。该方法包括了三个创新的模块：多头卷积模块MCM（multi-head convolution module），可显著提高模型感受野及主干网络的局部特征提取能力；仿生启发混合注意力模块BHAM（bio-inspired hybrid attention module），可增强空间与通道的边缘信息理解及颈部网络特征表现力；全局上下文增强模块GCEM（global context enhancement module），用于生成自适应权重并构建全局上下文信息交互。为评估所提方法的表现，分别采用了NEU-DET数据集和GC10-DET数据集进行验证，结果表明，MBAC-YOLO的准确率（mAP50）分别提升了5.8个百分点和5.3个百分点，检测速度（FPS）达到了185.19和182.0，表明了所提出的方法在检测精度和实时性上具有明显优势。

来源：2026年第7期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第7期