💻 计算机科学

GLA-YOLO: A Lightweight YOLO-Based Network for Industrial Surface Defect Detection

本文提出了 GLA-YOLO，这是一种基于 YOLO11 的轻量化网络，通过结合轻量化融合卷积和动态局部注意力融合模块，旨在资源受限的边缘设备上实现具有高精度和高效率的最先进实时工业表面缺陷检测。

原作者： Jiayi Li, Norrima Binti Mokhtar, Wenjunliang Zhang, Muhammad Amirul Aiman Asri, Qiyuan Qin, Mahidzal Bin Dahari, Yixuan Dai, Bingxing Liu

发布于 2026-10-30

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jiayi Li, Norrima Binti Mokhtar, Wenjunliang Zhang, Muhammad Amirul Aiman Asri, Qiyuan Qin, Mahidzal Bin Dahari, Yixuan Dai, Bingxing Liu

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代工厂静谧的轰鸣声中，一件合格产品与一件危险产品之间的区别，往往在于肉眼难以察觉的瑕疵。钢梁上的一道发丝般的裂纹、汽车零件上的一处微小划痕，或是铸件上的一点锈蚀，都可能危及整台机器的安全。几十年来，工厂一直依赖人工检测员来扫描这些表面，这项任务不仅缓慢、令人疲劳，而且当工人的眼睛变得困倦时，极易出错。为了解决这一问题，工程师们转向了计算机，教它们去发现人类会忽略的东西。这个被称为“计算机视觉”的领域，利用深度学习——一种通过研究数千个示例进行学习的人工智能技术——来自动识别缺陷。然而，要教计算机在繁忙且具有纹理的背景中识别细微、模糊的瑕疵是非常困难的。计算机必须足够聪明，能在“大海捞针”中找到那根针，同时又要足够快速，以跟上高速移动的传送带，并且还要能在能够装进工厂控制箱内的硬件上运行。

来自马来亚大学和中国科学院的研究团队开发了一种名为 GLA-YOLO 的新系统，旨在解决这些核心问题。他们的工作重点是创建一个“轻量化”检测网络，这是一种旨在设计得足够小巧且高效的软件，使其能够在工厂车间的边缘端运行，而无需依赖庞大的超级计算机。研究人员从一个名为 YOLO11 的强大现有框架开始，该框架以寻找目标的快速性能而闻名。他们意识到，尽管这个系统很快，但在处理工业缺陷的特定特性方面却显得力不从心：这些缺陷往往会融入背景之中，呈现出极大的尺寸差异，有时甚至出现得极其罕见，导致计算机几乎没有足够的示例可以学习。为了解决这个问题，团队不仅仅是微调现有的代码，而是从底层重新构建了系统的关键部分，使其对这些困难细节更加敏感。

研究人员为计算机的“大脑”引入了三个主要变化。首先，他们重新设计了处理原始图像的初始层。他们没有使用单一且沉重的算法来观察图像，而是创建了一个双路径系统。一条路径以标准方式观察图像以捕捉通用形状，而另一条路径则使用一种更专业、更高效的方法来识别精细的纹理和边缘。这两类视图随后被结合在一起，使系统既能理解宏观轮廓，又能捕捉微观细节，且不会浪费能量。其次，他们增加了一个新模块，帮助计算机理解图像中远距离部分之间的关系。在标准系统中，观察一条长而弯曲的裂纹可能需要计算机将每一个像素与所有其他像素进行对比，这是一个缓慢且计算成本极高的过程。新系统采用了一种精简的方法，能够快速捕捉这些长程连接，从而将横跨整个表面的缺陷视为一个连贯的整体，而不是一堆混乱的点。最后，他们集成了一个智能门控机制，它像一个过滤器一样，指示系统将注意力严格集中在缺陷上，并忽略那些通常会干扰其他检测器的嘈ile（嘈杂）且无关的背景模式。

当团队测试他们的系统时，结果令人瞩目。他们使用了两组数据进行了评估：一组是从真实工厂收集的 480 张机械零件和铸件空白件的图像，以及一组包含十种不同类别的钢材表面缺陷公开基准数据集。在包含稀有缺陷（如在整个数据集中仅出现 19 次的裂纹）的工厂图像上，新系统的准确率达到了 90.21%。这比它所基于的标准系统（得分为 87.06%）有了显著提升。在更具挑战性的钢材基准测试中，新系统的准确率达到了 80.59%，同样大幅超越了标准版本。或许最重要的一点是，新系统在实现更高精度的同时，速度更快且更轻量。它的处理速度达到了每秒 168.57 帧，这意味着它每秒可以分析超过 168 张图像，这对于实时工厂流水线至关重要。此外，它所需的计算资源也更少，尽管准确度略高，但仅使用了 6.2 个处理单元，而标准系统则需要 6.6 个。

研究人员还深入观察了系统内部，以了解其高效运作的原因。通过可视化计算机在做出决策时“注视”的位置，他们发现新系统能精准地聚焦于实际缺陷。相比之下，旧系统经常会被金属纹理或光照所干扰，将注意力分散到背景中。而新系统则学会了忽略这些干扰，将能量集中在裂纹、划痕和锈蚀点上。这种过滤噪声的能力在稀有缺陷类别中表现得尤为明显，在这些类别中，系统能够在缺乏训练数据的情况下，依然能成功找到仅有的几个样本。这项研究证实，通过重新设计计算机处理视觉信息的方式——使其在观察位置和连接远距离细节方面变得更加聪明——我们能够构建出既高度精确又足以应对现代制造业严苛环境的检测器。这项工作表明，工业质量控制的未来不在于构建更大、更强大的计算机，而在于设计更聪明、更高效的视觉感知方式。

技术摘要：用于工业表面缺陷检测的 GLA-YOLO

1. 问题陈述

工业表面缺陷检测是制造业质量保证的关键组成部分，但它面临着独特的挑战，阻碍了标准深度学习目标检测器的部署。这些挑战包括：

低对比度： 缺陷在纹理丰富或不均匀的工业背景下往往表现出极低的对比度。
形态不规则性： 缺陷范围从仅占几个像素的细微裂纹到大面积的腐蚀剥落，造成了极端的尺度变化。
类别不平衡： 关键缺陷类型可能仅出现不到二十个训练样本（少样本场景），导致严重的长尾分布。
资源限制： 工厂环境要求在资源受限的边缘设备上进行实时推理，而许多高精度架构（例如具有二次方注意力复杂度的架构）无法满足这一要求。

虽然 YOLO11 系列为轻量级检测提供了强大的基准，但作者指出了标准 YOLO11n 中的特定架构局限性：

浅层特征冗余： 标准 $3\times3$ 卷积在早期的 Stem 阶段对所有通道进行密集处理，在处理高分辨率特征图时产生了较高的计算开销。
过度参数化的注意力机制： 最深层骨干网络阶段的 C2PSA 模块使用具有二次方复杂度 ( $O(N^2)$ ) 的多头自注意力机制，这对于抽象语义特征而言可能过于冗余。
缺乏长程上下文： 标准 C3k2 模块主要依赖局部卷积，缺乏捕捉对于检测大规模或不规则缺陷至关重要的长程空间依赖性的显式机制。

2. 方法论：GLA-YOLO

作者提出了 GLA-YOLO（门控局部注意力 YOLO），这是一种基于 YOLO11 框架构建的轻量化架构。它引入了三种核心创新，旨在增强特征提取和上下文建模，同时保持紧凑的参数预算。

2.1 轻量化融合卷积 (LFConv)

位置： 替换骨干网络 Stem（P1/2, P2/4）和颈部下采样路径中的标准卷积层。
机制： LFConv 采用并行双分支设计：

分支 1： 标准 $3\times3$ 卷积。
分支 2： 深度可分离卷积（ $3\times3$ 深度卷积 + $1\times1$ 逐点卷积）。
融合： 将输出进行拼接，随后进行批归一化（Batch Normalization）、SiLU 激活以及轻量化通道注意力机制（SE 式）以自适应地重新校准特征通道。
目标： 通过多样化的提取路径丰富浅层特征表示，同时与密集卷积相比显著降低参数量和计算成本。

2.2 动态局部注意力融合模块 (DLABlock)

位置： 集成到复合模块中的基本计算单元。
机制： DLABlock 集成了四个路径：

局部分支： 一个 $3\times3$ 深度卷积，用于保留细粒度的空间细节和边缘不连续性。
线性注意力分支 (DWConvAttention)： 受 Performer 架构启发，该模块使用基于核函数的近似（ReLU 特征映射 $\phi(x) = \max(0, x) + \epsilon$ ）来分解注意力机制。这使复杂度从二次方 $O(N^2)$ 降低到线性 $O(N)$ ，从而实现高效的长程上下文建模，而无需构建完整的 $N \times N$ 注意力矩阵。
门控融合： 一个可学习的门控机制（SE 式瓶颈结构）自适应地调节局部特征与全局特征的融合（ $F_{gated} = X_{local} + g \odot X_{attn}$ ），允许网络动态权衡局部与全局的贡献。
紧凑型 MLP (CompactMLP)： 一个后融合变换模块，其扩张比例为 2（从标准的 4 降低），以在提供非线性表示能力的同时保持参数效率。

2.3 复合模块：DLAC3k2 和 C2DLA

这些模块将 DLABlock 嵌入到 YOLO 的跨阶段局部（CSP）框架中：

DLAC3k2： 替换最深层骨干网络阶段（P5/32）的标准 C3k2 模块。它将特征分为两个分支：一个由 DLABlock 处理以进行注意力引导学习，另一个由标准 Bottleneck 处理。这使得捕捉高层语义特征的长程依赖关系成为可能。
C2DLA： 在 SPPF 层之后替换 C2PSA 模块。它使用堆叠的 DLABlock 取代标准的多头自注意力，利用线性注意力优化位置敏感特征。

3. 核心贡献

架构创新： 引入了专门针对工业缺陷检测约束设计的 LFConv、DLABlock 及其复合变体（DLAC3k2、C2DLA）。
效率-精度权衡： 该设计在纳米级检测器中实现了最先进的性能，同时降低了计算复杂度 (GFLOPs)，并保持了与 YOLO11n 相当的参数量。
线性注意力集成： 成功地将受 Performer 启发的线性注意力应用于工业缺陷检测，以建模长程依赖关系，而不会产生标准 Transformer 的二次方成本。
少样本能力： 通过改进的特征定位和背景抑制，证明了在检测稀有缺陷类别（例如仅有 19 个实例的“CRACK”）方面的有效性。

4. 实验结果

该方法在两个数据集上进行了评估：

自收集数据集： 480 幅图像，4 个类别（腐蚀剥落、裂纹、擦伤、凹陷），1,367 个实例。
GC10-DET 基准测试： 2,294 幅图像，10 类钢材表面缺陷。

性能指标：

自收集数据集： GLA-YOLO 达到了 90.21% mAP@50，比 YOLO11n 基准（87.06%）高出 3.15 个百分点。尽管其参数量仅为 2.70M，但仍超越了规模显著更大的 RT-DETR-18 模型（20M 参数）2.74 个百分点。
GC10-DET： GLA-YOLO 达到了 80.59% mAP@50，较 YOLO11n（76.19%）提升了 4.40 个百分点。
效率： 该模型在 PyTorch 下运行速度为 168.57 FPS，在 ONNX 下为 235.32 FPS，比 YOLO11n（160.79 FPS）更快。它保持了 2.70M 参数和 6.2 GFLOPs 的紧凑规模。

消融实验：

DLAC3k2 提供了最大的单项增益（在 GC10-DET 上提升了 +2.93% mAP@50），证实了长程依赖建模的重要性。
LFConv 在提高准确性的同时，同步降低了参数量和 GFLOPs。
C2DLA 验证了线性注意力可以有效地以更低的成本取代多头自注意力。

定性分析：
类激活图 (CAM) 可视化证实，GLA-YOLO 学习到了空间精确、聚焦于缺陷的表示，并减少了对背景的关注，尤其是在像“CRACK”这样的少样本场景中。

5. 重要性与主张

论文声称，GLA-YOLO 在纳米级检测器中建立了新的最先进性能水平。其重要性在于：

解决边缘部署困境： 它在紧凑的模型足迹下提供了高精度和实时推理速度，使其适用于资源受限的工厂边缘设备。
应对特定的工业挑战： 该架构通过其门控融合和线性注意力机制，明确针对低对比度缺陷、尺度变化和类别不平衡问题。
帕累托最优权衡： 与 YOLO11n 基准相比，该模型实现了精度和推理速度的同时提升，这在深度学习优化中是罕见的成就。

作者指出了一些局限性，包括评估仅限于纳米级和 640x640 分辨率，以及自收集数据集的规模和范围（金属表面）有限。他们建议未来的工作可以探索旋转边界框、针对数据稀缺性的半监督学习，以及在超低功耗嵌入式平台上的部署。