基于深度學習的表面缺陷檢測算法文獻研究

中圖分類號：TP391文獻標識碼：A

Literature Research on Deep Learning-based Algorithms for Surface Defect Detection

HUANG Keteng1，WANG Yuqi1，WANG Qing1， JU Junwei2，BAI Shuowei1 （1. 266O71，China; 2. （Shong） ）

Abstract： Surface defect detection is a key aspect quality inspection industrial components. Aiming at the lack systematic literature research on surface defect detection algorithms for industrial parts，China National Knowledge Infrastructure （CNKI） WOS（Web Science） core ensemble databases are selected as data sources between 2Ol7 2O23. With the help CiteSpace visual analysis stware，the research line surface defect detection algorithms in the field industrial components inspection is analysed by the number annual publications keyword clustering. The current state research on deep learning-based algorithms for detecting surface defects on industrial components is systematically presented，as well as the practical applications single-stage two-stage target detection algorithms. The key problems current surface defect detection algorithms for industrial components the corresponding solution strategies are summarized. The future development surface defect detection algorithms for in

dustrial components is also discussed.

Keywords： deep learning; surface defect detection; industrial components; visualization analysis; CiteSpace

在工業零件的生產過程中，由于加工工藝、生產原材料或生產環境等多因素的影響，零件表面會出現劃痕、壓傷、黑皮以及凸起等缺陷[]，不僅影響零件的整體性能和質量，還對其使用壽命造成不可逆的損害，甚至可能引發生產事故，給企業帶來難以估量的損失。基于深度學習的表面缺陷檢測技術以其無接觸、無損傷、高準確率、檢測速度快以及適應性強等優點被廣泛應用于各種工業零件的生產流程中[2]。基于深度學習的表面缺陷檢測技術在工業零件表面質量控制領域的應用不僅保障了產品質量，也是確保生產安全的關鍵環節[3]。關于基于深度學習的工業零件表面缺陷檢測的綜述類文獻相對較少。借助CiteSpace可視化分析軟件，本文從年度發文量和關鍵詞聚類兩個維度出發，對基于深度學習的工業零件表面缺陷檢測類文獻進行了綜合性研究，剖析了表面缺陷檢測算法在工業零件產品檢測領域的發展趨勢;從單階段檢測算法和兩階段檢測算法兩個方面，論述了近七年來基于深度學習的工業零件表面缺陷檢測的研究成果及其應用情況。

研究方案和現狀分析

1.1 數據來源

應用科學計量學的分析手段對與表面缺陷檢測相關的文獻指標進行分析，觀察該領域的研究趨勢及其未來發展方向。中文文獻數據來源于中國知網（China National Knowledge Infrastructure，CNKI），英文文獻數據來源于Web Science（WOS）核心合集數據庫，檢索時段為2017年1月1日至2023年12月31日。CNKI綜合性數據庫中檢索主題詞“表面缺陷檢測\"和篇關摘“深度學習、工業零件”，檢索方式為“同義詞擴展”;WOS核心合集數據庫中檢索主題詞為\"Surface Defect Detection”“Industrial parts”。

1.2 研究方法

CiteSpace 是一款基于Java開發的科學計量學和知識可視化軟件，利用共引分析、共詞分析、引文網絡分析等方法探索和分析科學文獻的模式和趨勢[4]。將檢索到的論文導人CiteSpace，設置時間切片為1年，節點類型為關鍵詞，從發文數量、關鍵詞聚類2個方面來研究工業零件的表面缺陷檢測領域的研究熱點和發展趨勢。

1.3研究現狀及研究趨勢分析

1.3.1 發文數量

科技文獻的發文量是衡量其領域研究發展現狀的關鍵性指標之一，體現了該領域研究的發展水平[5]。檢索并進行人工篩選后，工業零件表面缺陷檢測領域的文獻在CNKI數據庫檢索出490篇，WOS核心合集數據庫檢索出316篇，發文量-時間變化趨勢如圖1。由圖可見，CNKI與WOS的發文量自2017年起均顯著增長，CNKI在2019年后快速攀升，2021年達峰值后略有回落；WOS增幅平緩但持續增長至2023年達120篇/年。數據表明，國內研究在經歷爆發式增長后進入調整階段，國際學界始終保持穩健增長態勢，這種

差異源于不同區域學術生態系統的演進周期特征。國內技術由快速發展趨向成熟期，國際仍處技術突破階段，未來隨著全球化進程深化，二者將在技術路徑收斂與知識共享層面形成深度協同。

1.3.2 關鍵詞聚類

關鍵詞聚類將研究中的熱點詞匯按照一定的劃分模式進行歸類，劃分為不同的簇，便于更好地理解領域內的知識結構和研究趨勢。利用CiteSpace軟件，通過LLR（Log-LikelihoodRatio）算法進行關鍵詞聚類，工業零件表面缺陷檢測領域國內外相關文獻關鍵詞聚類結果如圖2。

由圖2可見，CNKI模塊化指數 Q 為0.5381，大于0.3的顯著閾值，輪廓系數S為0.8629，大于0.7強信度標準；WOS數據庫 Q 為0.5758，S為0.858，兩數據庫文獻聚類指標均呈現顯著特征，表明兩數據庫文獻均具備高度結構化的知識網絡。在主題分布上，CNKI以“深度學習\"為核心節點，與“合成孔徑”“缺陷檢測”、“機械加工\"等形成強關聯，凸顯該技術在智能制造領域的樞紐作用;WOS呈現以“卷積神經網絡”為中心的技術圖譜，與“注意力機制”“缺陷檢測\"構成技術三角，揭示卷積網絡在表面缺陷高精度識別中的主導地位，特別是在復雜工業場景下，其分層特征提取能力具有不可替代性。綜合分析表明，“深度學習”作為方法論框架支撐多場景應用拓展，“卷積神經網絡\"聚焦于視覺缺陷檢測等具體技術突破，構成雙核驅動體系。兩數據庫關鍵詞網絡的結構差異既反映了中英文研究的技術偏好，也為跨領域知識融合與創新方向提供了量化依據。

2 基于深度學習的工業零件表面缺陷檢測算法

基于深度學習的網絡模型具有強大的特征學習能力和處理大規模數據能力，引人工業零件表面缺陷檢測可以提高產品的生產效率和質量[7]。根據算法結構不同，基于深度學習的工業零件表面缺陷檢測算法分為兩階段缺陷檢測算法[8和單階段缺陷檢測算法[92類。

2.1 兩階段目標檢測算法

2014 年區域卷積神經網絡（Region-Convolutional Neural Networks，R-CNN）算法[10]提出了“卷積神經網絡 + Region Proposal（候選框）\"的全新組合模式用于目標檢測，將目標檢測過程分為產生候選區域CNN特征和目標的分類識別兩部分，稱為兩階段目標檢測算法，其流程如圖3。現階段主流的兩階段目標檢測算法有：R-CNN 系列算法、Cascade R-CNN[11]、Mask R-CNN[12]、SPP-Net[13]（Spatial Pyramid Pooling Networks）、FPN（Feature Pyramid Networks）[14]、R-FCN（Region-based Full Convolutional Networks）[15]等。

2.1.1 R-CNN系列算法

為解決人工和傳統自動化算法在檢測發動機零件表面缺陷中的準確率和效率低下的問題，基于聚類生成 anchor方案的Faster R-CNN的零件表面缺陷檢測算法[16]引人多級ROI池化層結構，提高了算法模型的準確性，缺陷檢測的測試平均精度mAP從 54.7% 提高到 97.9% ，檢測速度可達4.9fps。Faster R-CNN與 Shape from Shading（SFS）融合算法采用自適應特征融合機制解決金屬表面反光干擾問題[17]，測試平均精度mAP達 83% ，其中裂紋mAP為 98% ，而劃痕 mAP 為 79% ，測試平均精度呈現兩極分化，表明算法對幾何特征敏感的表面缺陷更具識別優勢，證實了光照魯棒特征融合技術可提升工業質檢準確性。

2.1.2其他兩階段目標檢測算法

CascadeR-CNN是經典的兩階段目標檢測算法，通過級聯多個逐漸精細化的R-CNN模型提高檢測的準確性，每個階段都會對候選區域進行更精確的分類和定位，最終實現對目標的高效準確檢測。針對工業環境中金屬表面缺陷的復雜檢測需求，ACRM 深度學習框架（Attention Cascade R-CNN with Mix-NMS）[18]以級聯檢測網絡為框架，創新性融合通道注意力機制與混合非極大值抑制策略Mix-NMS，其中注意力模塊強化了缺陷區域的特征表征能力，Mix-NMS模塊則有效優化了密集小目標的檢測精度。實驗表明，ACRM深度學習框架在保持高檢測效率的同時，定位精度提升達 23.6% ，對不規則邊界缺陷的識別效果顯著。

MaskR-CNN算法通過特征金字塔網絡（FPN）增強多尺度目標的檢測能力，并利用RoIAlign技術改善了區域建議的精度，在圖像中識別和分割不同實例的目標方面表現出色。為提高在小缺陷檢測方面汽車發動機零件表面缺陷檢測的準確性，一種改進的 Mask R-CNN模型IA-Mask R-CNN[19]通過優化錨點（an-chor）設計提高小缺陷的檢測能力，并使用高分辨率的顯微鏡獲取的圖像數據來訓練和優化網絡。結果表明，在檢測汽車發動機零件的表面缺陷方面，尤其是小缺陷和大區域缺陷方面有更好的性能。

2.2單階段目標檢測算法

單階段目標檢測算法相當于一個回歸分析模型，通過卷積神經網絡提取目標圖像的高級特征，省略了區域生成網絡（Region Proposal Network，RPN），將區域生成和目標檢測整合到一個網絡中，直接回歸物體的類別概率和位置坐標值，降低了整體模型的復雜程度的同時提升了模型的計算速度，基本流程如圖4。目前主流的單階段目標檢測算法有 YOLO 系列算法、RetinaNet[20]、Swin Transformer[21]、U-Net[2]、SSD（Sin-gle Shot MultiBox Detector）[23]、CornerNet[24]、EfficientDet[25] M2Det （Multi-level Feature Pyramid Network）[26]、ATSS（Adaptive Training Sample Selection）[27]，CentripetalNet[28]等。

2.2.1 YOLO系列算法

發光二極管（SMDLED）芯片的缺陷檢測過程中，存在無法識別缺少的組件和有缺陷的表面等問題，基于YOLOv3模型的改進版—YOLOv3-dense[29]將Darknet-53主干網絡替換為密集連接的卷積網絡（DenseNet），引人 Taguchi方法評估 YOLOv3-dense 超參數的敏感性。結果顯示，YOLOv3-dense 的測試平均精度mAP比傳統的 YOLOv3 高了 14.98% 。電弧增材制造（Wire Arc Additive ，WAAM）在線檢測中，傳統機器學習難以應對復雜缺陷類型及噪聲干擾，在YOLOv4架構中集成通道/空間雙注意力機制的YOLO-attention改進模型[30]強化了特征聚焦能力，結合多尺度空間金字塔池化提升多尺寸缺陷識別效果。在WAAM專用缺陷數據集上測試平均精度mAP達 94.5% ，處理速度達42fps以上。針對齒輪缺陷檢測模型速度與精度失衡問題，輕量化STMS-YOLOv5 算法[31采用ShuffleNetv2主干網絡結合轉置卷積進行上采樣降低復雜度，頸部集成MECA（Multi-scale Channel Attntion）注意力機制補償精度損失，檢測頭引入SIOU_Loss 加速收斂，在齒輪/鋼材缺陷數據集上檢測速度分別為130.4fps 和133.5fps，參數量與計算量分別降低 44.4%.50.3% ，測試平均精度mAP達 98.6% 與 73.5% 。針對液壓閥塊表面微小缺陷檢測中因低對比度與背景干擾導致的漏檢問題，改進 YOLOv7算法[32]在多尺度特征融合模塊后引入CA注意力機制強化缺陷特征聚焦，采用ELAN-RepConv 結構替代原ELAN_2模塊增強特征學習能力。結果表明，在液壓閥塊缺陷數據集上測試平均精度mAP達 97.6% ，較原YOLOv7提升了 8.4% ，檢測速度達 55.2fps ;相比YOLOv7-E6E算法，在參數量減少 75.4% 情況下精度提高了 1.8% 。針對鋼材表面缺陷檢測精度低、速度慢的問題，改進型WFRE-YOLOv8s檢測器[33]引人WIoU損失函數緩解數據質量不平衡，設計了CFN模塊替代C2f結構壓縮參數規模，構建了基于RFN的頸部網絡實現多尺度特征高效融合。結果表明，在NEU-DET數據集測試平均精度mAP達 79.4% ，比YOLOv8s提升了 4.7% 。

2.2.2 其他單階段目標檢測算法

RetinaNet 通過創新性FocalLoss 函數有效緩解目標檢測中的類別失衡問題，構建基于ResNet-FPN架構的分類與回歸雙分支網絡，實現端到端高效檢測框架。針對鋼鐵表面缺陷檢測需求，DEA_RetinaNet模型[34]集成差異通道注意力（Difference Channel Attention，DEA）機制與自適應空間特征融合（AdaptiveSpatial Feature Fusion，ASFF）技術，強化淺層紋理特征與深層語義特征的跨尺度融合能力。在NEU-DET數據集上該模型測試平均精度mAP達 78.25% ，比基準RetinaNet提升 2.92% 。

Swin Transformer通過移動窗口自注意力機制與層次化架構設計，構建能夠平衡計算效率與特征表征能力的通用視覺主干網絡。針對工業零件表面缺陷檢測中背景相似性、多尺度缺陷及低對比度難題，Swin-MFINet 模型[35]采用 Inception 網絡作為編碼器提取局部特征，Swin Transformer 解碼器捕獲全局上下文，結合多特征融合模塊與通道-空間雙注意力機制實現跨層次特征優化。該模型在MT和MVTec數據集上平均交并比（mean Intersection overUnion，mIoU）分別達 81.37%.77.07% ，性能優于當前其他表面缺陷檢測方法。

U-Net 是基于編碼器-解碼器架構，通過跳躍連接實現多尺度特征融合，在小目標識別與邊緣定位方面具有顯著優勢。針對帶鋼表面缺陷分割任務，Low-pass U-Net^[36] 創新性引人自適應方差高斯低通層動態調整空間濾波參數，配合亞像素卷積優化的 Hypercolumn 模塊實現高精度上采樣。實驗表明，該方法將 Dice系數提升至0.903，比基線模型提高 3% ，在保證每張圖僅需 0.92s 的推理速度下達成了精度與計算效率的優化平衡。

2.3表面缺陷檢測算法的局限性及挑戰

工業零件表面缺陷檢測算法面臨精度、速度與泛化能力的多維平衡挑戰。R-CNN系列通過級聯結構和注意力機制實現測試平均精度 mAP 達 82.3% ，但多級處理導致推理延遲超 150ms ，難以適配高速產線；YOLO系列借助多尺度預測與SENet注意力模塊對亞毫米級缺陷漏檢率優化至 12.8% ，但在強反光環境中誤檢率仍達 18.4% ;其改進模型參數縮減 44% 后測試速度達 97fps ，測試平均精度mAP下降了 8% ；單階段檢測器如DEA_RetinaNet通過特征融合實現測試平均精度mAP達 78.25% ，引入FPN后參數量增加43% ，能效比降至0.32TFLOPS/W。當前的關鍵是在硬件適配性、環境魯棒性及跨域通用性3個方面，通過動態注意力機制、無監督域適應及算法-硬件協同設計等方向的融合，以實現檢測精度、速度與工業部署成本的最優化。

在工業表面缺陷檢測領域，深度學習技術仍存在以下問題：1）小目標檢測依賴高分辨率硬件，成本提高；2）現有方法在強干擾環境下的誤檢率提高 12%～18% ；3）輕量化模型難以平衡速度與精度，如STMS-YOLOv5速度達130.4fps但精度降低 9.8% ;4）數據稀缺制約模型泛化，域適應方法遷移誤差高達 15%～ 23%;5） 嵌入式部署受制于內存帶寬，如改進YOLOv8s在JetsonTX2延遲仍超 50ms 。需融合算法創新、硬件架構優化及物理建模協同突破。

3 表面缺陷檢測研究熱點

3.1表面缺陷檢測算法的研究熱點

CNKI和WOS數據庫相關文獻關鍵詞時間線如圖5，直觀地展示了近年來基于深度學習的工業零件表面缺陷檢測領域的發展歷程、研究方向及前沿熱點。從圖5看出，研究主題主要集中在機器視覺、缺陷檢測、特征提取、深度學習等方面，機器視覺與缺陷檢測構成雙核心研究領域。CNKI數據庫的數據顯示，在2017年至 2023年間，主要研究內容是工業場景應用，深度學習在該領域的滲透率比2018年增長了 21% ，與卷積神經網絡等先進技術深度結合，提升了檢測精度；WOS數據庫的數據顯示表明，算法創新主要集中在特征融合與表面檢測模型優化方面，無損檢測技術的占比達到了 19% 。共性是機器視覺技術的演進，經過邊緣檢測等算法的不斷迭代的特征提取技術將工業缺陷識別的準確率提升至 92.3% ；差異在于CNKI數據庫注重于算法的實際應用與精度提升，而WOS數據庫更側重算法的原生創新以及非破壞性檢測的拓展。技術融合度分析顯示，跨學科方法（如深度學習 + 聲發射）在WOS的復合增長率達 41% ，顯著高于單技術路徑，表明未來研究應重點強化多模態數據協同與輕量化模型開發，以應對智能制造場景下的復雜檢測需求。

3.2技術應用前景與優化

深度學習驅動的表面缺陷檢測技術在汽車制造、航空航天、電子工業等領域展現出廣泛的應用潛力。如，YOLOv3-dense模型在 SMD LED 芯片檢測中實現亞毫米級精度，Swin Transformer 在渦輪葉片微裂紋識別中表現優異。此外，與工業物聯網和數字孿生技術的融合進一步拓展了其應用場景。據市場預測，全球工業視覺檢測市場規模將從2023年的42億美元增長至2030年的128億美元，年復合增長率達 17.2% ，其中汽車與電子行業為主要驅動力[37]。隨著市場需求的快速增長，工業零件表面缺陷檢測技術需要在性能和效率上實現進一步突破。為此，未來技術優化可以通過融合算法創新與硬件架構優化，對現有算法進行改進，設計輕量化的網絡結構，并與硬件廠商合作開發專用芯片，以提升檢測效率和精度;通過應用數據增強與合成技術，利用數據增強技術擴充數據集，采用生成對抗網絡等合成技術生成更多樣本;構建自適應環境的檢測系統，訓練過程中引入多種環境數據，結合圖像預處理技術去除干擾;進行漸進式模型壓縮與優化，采用模型剪枝、量化等技術減少參數和計算量，結合知識蒸餾提升小型模型性能，以滿足工業零件表面缺陷檢測技術在工業應用中的性能要求。

4結束語

本研究通過CiteSpace軟件分析揭示了國內外在工業零件表面缺陷檢測領域的研究路徑差異：國內側重應用集成，國外深耕理論創新。兩階段算法在高精度檢測方面表現突出，但計算復雜度較高；單階段算法則在實時性上更具優勢。通過算法改進和模型輕量化設計，部分算法在檢測精度和實時性上取得突破。未來研究應聚焦于多模態數據協同、輕量化模型開發，構建在線自主學習檢測系統，以滿足智能制造需求。

參考文獻

[1]JIA Z T，WANG M， ZHAO S. A review deep learning-based approaches fordefect detection in smart manufacturing [J].Journal Optics，2024，53（2）：1345-1351.

[2]BAI DX，LIGF，JIANGD，et al. Surfacedefect detection methods forindustrial products with imbalancedsamples：A review progress in the 202Os[J].Engineering Applications Artificial Intelligence，2024，130：107697.

[3] 陶顯，侯偉，徐德．基于深度學習的表面缺陷檢測方法綜述[J]．自動化學報，2021，47（5）：1017－1034.

[4] 楊勇，田海濤．基于CiteSpace的學習分析研究熱點與發展趨勢的可視化研究[J]．漢字文化，2023（S1）：279－281.

[5]CHEN CM. CiteSpace：a practical guide for mapping scientificliterature[M].Hauppauge，NY：Nova Science Publishers，2016.

L6」CAO X L，LIU Y，HU D. Simplitied LLK algorithm for m-QAM demodulationLJ」.The Journal Engineering，Z019， 21： 7370-7375.

[7]LUJQ，LEESH.Real-time defect detection model in industrial environment based on lightweight deep learning network[J].Electronics，2023，21（12）：4388.

[8]CHEN K，PANG JM， WANGJQ，etal. Hybrid task cascade for instance segmentation[C]//32nd IEE/CVF conference on computer vision pattern recognition. Long Beach： IEEE，20l9：4969-4978.

[9]KAUR R，SINGH S.Acomprehensive review object detection with deep learning[J]. Digital Signal Processing， 2023，132：103812.

[10]GIRSHICK R，DONAHUEJ，DARRELL T，et al.Region-based convolutional networks for accurate object detection segmentation[J]. IEEE Transactions on Patern Analysis Machine Intellgence，2O15，38（1）：142-158.

[11]CAI Z W， VASCONCELOS N. Cascade r-cnn： Delving into high quality object detection[C]//31st IEEEConference on Computer Vision Pattern Recognition. Salt Lake City：IEEE，20l8：6154-6162.

[12] HE K M，GKIOXARI G，DOLLAR P，et al. Mask r-cnn[C]/ 16th IEEE Conference on Computer Vision. Venice： IEEE，2017：2961－2969.

[13]HEK M， ZHANG X Y，REN S Q，et al. Spatial pyramid pooling in deep convolutional networks for visual recognition [J]. IEEE Transactions on Pattern Analysis Machine Intelligence，2O0l5，37（9）：1904-1916.

[14]LIN TY， DOLLAR P，GIRSHICK R，et al. Feature pyramid networks for object detection[C]//30th IEEE Conference on Computer Vision Pattern Recognition. Los Alamitos：IEEE，20l7：2117-2125.

[15] DAI JF，LI Y，HE K M，et al.R-fcn：object detection via region-based fullyconvolutional networks[C]/ 30th Conference on Neural Information Processing Systems （NIPS）. Barcelona：Proceedings Paper，2016，29.

[16] 黃鳳榮，李楊，郭蘭申，等．基于Faster R-CNN的零件表面缺陷檢測算法[J]．計算機輔助設計與圖形學學報，2020， 32（6）：883-893.

[17] SELAMET F，CAKAR S， KOTAN M. Automatic detection classification defective areas on metal parts by using adaptive fusion faster R-CNN shape from shading[J]. IEEE Access，2022，10：126030-126038.

[18]FANG J T， TAN X Y， WANG Y H. ACRM： Attention cascade R-CNN with mix-NMS for metalic surface defect detection[C]/ 25th International Conference on Pattern Recognition （ICPR）．Milan： IEEE，2021：423-430.

[19] ZHU H J， WANG YC， FAN J W. IA-Mask R-CNN： improved anchor design mask R-CNN for surface defect detection automotive engine parts[J]. Applied Sciences，2022，12（13）：6633.

[20]ROSS TY，DOLLARG.Focal los fordense object detection[C]//30th IEEE Conference on Computer Vision Pattern Recognition. IEEE，2017：2980－2988.

[21] LIU Z，LINYT，CAO Y.et al. Swin transformer：hierarchical vision transformer using shifted windows[C]//18th IEEE/CVF International Conference on Computer Vision. Electr Network： IEEE，2021：100l2-10022.

[22]RONNEBERGER O，FISCHER P，BROX T. U-net： Convolutional networks for biomedical image segmentation[C]/ Medical Image Computing Computer-asisted Intervention-MICCAI 2015，Munich： Springer，2015：234-241.

[23] LIU W，ANGUELOV D，ERHAN D，et al. Ssd： single shot multibox detector[C]//Computer Vision-ECCV 2016： 14th European Conference. Amsterdam： Springer，20l6：21-37.

[24]LAW H，DENG J. Cornernet：detecting objects as paired keypoints[C]/ 15th European Conference on Computer Vision（ECCV）.Munich：Springer，2018，11218：765-781.

[25]TAN M X，PANG R M，LE Q V. Eficientdet： scalable eficient object detection[C]/IEEE/CVF Conferenceon Computer Vision Pattern Recognition. Seatte： IEEE， 2020： 10778 -10787.

[26]ZHAO QJ，SHENG T，WANGYT，et al. M2det：A single-shot object detector based on multi-level feature pyramid network[C]// 33rd AAAI Conference on Artificial Inteligence. Honolulu：AAAI，2019，33（1）： 9259-9266.

[27]ZHANG SF，CHI C，YAO YQ，etal. Bridging the gap between anchor-based anchor-free detection viaadaptive training sample selection[C]// IEEE/CVF Conference on Computer Vision Pattern Recognition. Seatle： IEEE， 2020：9756-9765.

[28]DONG Z W，LI G X，LIAO Y，et al. Centripetalnet：pursuing high-quality keypoint pairs for object detection[C]// IEEE/CVF Conference on Computer Vision Pattern Recognition. Seatte：IEEE，2020：10519－10528.

[29]CHEN S H， TSAICC. SMD LED chips defect detection using a YOLOv3-dense model[J].Advanced Engineering Informatics，2021，47：101255.

[30]LI W H，ZHANG HO，WANG G L，et al. Deep learning based online metallc surface defect detection method for wire arc additive manufacturing[J]. Robotics Computer-Integrated ，2O23，80：102470.

[31] YAN R，ZHANG R Y，BAIJ Q，et al. STMS-YOLOv5： A lightweight algorithm for gear surfacedefect detection[J]. Sensors，2023，23（13）：5992.

[32] 季娟娟，王佳，陳亞杰，等．基于改進YOLOv7的液壓閥塊表面微小缺陷檢測[J]．計算機工程，2023，49（11）：302－310.

[33] HUANG Y，TAN W Z，LIL，et al. WFRE-YOLOv8s：A new type defect detector for steel surfaces[J]. Coatings， 2023，13（12）：2011.

[34]CHENG X，YUJB.Retina Net with diferencechannelatentionadaptivelyspatialfeaturefusion forstel surface defect detection[J]. IEEE Transactions on Instrumentation Measurement， 2020，70：1-11.

[35] UZEN H，TURKOGLU M， YANIKOGLU B，et al. Swin-MFI Net： swin transformer based multi-feature integration network for detection pixel-level surface defects[J].Expert Systems with Applications，2022，209：118269.

[36]LIU B，YANG B， ZHAO Y L，et al. Low-pass U-Net： a segmentation method to improve strip stel defect detection [J].Measurement Science Technology，2022，34（3）：035405.

[37]LUODL，CAI Y X，YANG ZH，etal. Surveyon industrial defect detection withdep learning[J]. Scientia Sinica Informationis，2022，52（6）：1002-1039.