Achieving 100% Accuracy in Steel Surface Defect Classification Using a Custom High-Performance CNN

技术摘要：利用定制高性能 CNN 实现钢材表面缺陷分类 100% 准确率

问题陈述
制造业在检测钢材表面缺陷（包括龟裂、夹杂、斑块、麻坑、卷入氧化铁皮和划痕）方面面临着持续的挑战。这些缺陷会导致材料浪费、产品质量下降以及生产成本增加。虽然深度学习，特别是卷积神经网络（CNN），已成为处理该任务的主流方法，但在标准的 NEU-CLS 基准测试上实现完美分类（100% 准确率）仍然是一个重大障碍。以往的最先进方法，包括基于注意力的浅层 CNN、基于小波的方法以及 ResNet 和 VGG 等通用架构，报告的最大准确率范围在 99.67% 至 99.98% 之间，但尚未能在整个数据集上实现无瑕疵的分类率。

方法论
本研究提出了一种专门为六类钢材表面缺陷分类任务设计的定制高性能 CNN 架构。其方法论结构如下：

• 数据集： 研究使用了 NEU-CLS 数据集，包含 1,800 张灰度图像（200 × 200 像素），六类缺陷均匀分布（每类 300 张图像）。
• 模型架构： 拟议的网络由四个具有逐渐增加的滤波器尺寸的卷积层组成，每层后均接有批归一化（Batch Normalization）和最大池化（MaxPooling）。这种设计有助于捕获从简单边缘到复杂缺陷模式的分层特征。特征提取后，表示被展平并经过三个全连接（Dense）层进行处理。最后一层采用 Softmax 激活函数进行六分类。
• 训练策略： 模型使用 Adam 优化器和稀疏类别交叉熵损失进行训练。为确保鲁棒性，利用早停（Early Stopping）和模型检查点（ModelCheckpoint）机制，根据验证准确率保存最佳模型。
• 验证协议： 为保证泛化能力并避免对特定训练-测试划分的依赖，本研究采用了 5 折分层交叉验证。数据集被分为五份，保持类别分布一致，模型在其中四份上进行训练，并在剩余的一份上进行验证。此过程重复五次，并在所有折叠间计算性能指标的平均值。

核心贡献
本工作的核心贡献是引入了一种任务特定的 CNN 架构，该架构在 NEU-CLS 基准测试中达到了新的全球领先水平（State-of-the-art）。与以往依赖通用模型或仅报告单次运行结果的研究不同，本文证明了精心设计的定制架构可以持续超越现有方法。作者公开了代码和训练好的模型，以确保这些结果具有完全的可复现性。

结果
所提出的模型在交叉验证折叠中表现出了卓越的性能：

• 峰值性能： 在五次交叉验证折叠中的四次，模型实现了 100% 的准确率、100% 的精确率、100% 的召回率和 100% 的 F1 分数。
• 平均性能： 剩余的一次折叠达到了 99.44% 的准确率，导致所有折叠的总体平均准确率为 99.89%。
• 视觉验证： 代表性折叠的混淆矩阵显示，每类有 60 个正确分类的样本，且无非对角线误差。同样，所有六个类别的 ROC 曲线均达到 1.00 的曲线下面积（AUC），表明具有完美的类别区分度。
• 对比： 这些结果超越了此前报告的最佳单次运行结果 99.98%（改进型 VGG16）以及其他方法（如浅层 CNN + 注意力机制，99.90%）的平均结果。

意义与主张
本文声称，在多个独立的交叉验证折叠中实现 100% 的准确率，代表了工业检测领域的一个重要里程碑。作者断言，这项工作证明了精心设计的任务特定架构可以释放深度学习在专业工业任务中的全部潜力，从而超越通用模型。该结果在多个折叠中的一致性验证了所提方法的鲁棒性和泛化能力，即使是在 NEU-CLS 数据集规模相对较小的情况下也是如此。作者总结道，这一成就创下了新的全球纪录，并证明了专用网络设计在制造业质量控制中的有效性。