跨粒度小样本语义缺陷分割新范式：MFANet与FASNet助力无缝钢管内表面缺陷检测

在现代工业中，无缝钢管被誉为“工业的血管”，广泛应用于航空航天、汽车制造等领域。然而，无缝钢管内表面的缺陷检测一直是一个技术难题，尤其是面对样本数量不足和缺陷类别稀疏的问题。针对这一挑战，东北大学的研究团队提出了一种创新的跨粒度小样本语义分割（Cross-Granularity Few-Shot Segmentation）范式，并开发了多个深度学习模型，成功应用于无缝钢管内表面缺陷检测机器人系统中。

论文题目：MFANet: Multifeature Aggregation Network for Cross-Granularity Few-Shot Seamless Steel Tubes Surface Defect Segmentation 项目链接：

论文题目：A Suspected Defect Screening-Guided Lightweight Network for Few-Shot Aviation Steel Tube Surface Defect Segmentation 项目链接：

一、研究背景与挑战

无缝钢管内表面的缺陷检测通常面临两个主要问题：

• 样本数量不足：由于缺陷样本的获取成本高，导致可用于训练的样本数量有限。
• 缺陷类别稀疏：不同类型的缺陷样本分布不均，某些类别的缺陷样本非常稀少。

这些问题使得传统的深度学习模型在训练和推理过程中表现不佳，尤其是在小样本场景下。为了解决这些挑战，研究团队提出了跨粒度小样本语义分割范式，并构建了相应的数据集和模型。

针对传统无缝钢管内表面缺陷检测存在的诸多不足，本研究将外径133 mm、壁厚4 mm、长度12 m、材质为304不锈钢的无缝管作为研究对象，开展了无缝钢管智能化检测系统研究。具体研究内容如下：

无缝管内表面缺陷检测机器人。该机器人包含动力单元和视觉检测单元，如图1所示。

二、跨粒度小样本语义分割范式

跨粒度小样本语义分割的核心思想是：模型在粗粒度标注的数据上进行训练，然后直接应用于细粒度标注的、未经训练的数据。这种范式能够有效利用有限的样本数据，提升模型在少样本场景下的泛化能力。

研究团队构建了一个名为CGFSDS-9的跨粒度小样本缺陷分割数据集，包含3类粗粒度标注的缺陷（如带钢、铝合金和磁瓦）和6类细粒度标注的无缝钢管缺陷。通过这种跨粒度的训练方式，模型能够在样本数量不足的情况下，依然保持较高的分割精度。

无缝管内表面数据集。利用检测机器人采集无缝钢管内表面图像数据，构建用于深度学习模型训练和测试的数据集。数据集包含：图像级标注的疑似缺陷筛分数据集（图2）和像素级标注的缺陷分割数据集（图3）。针对缺陷分割数据集存在样本数量不足和缺陷类别稀疏这一综合性少样本问题。进一步构建了跨粒度小样本缺陷分割数据集CGFSDS-9。该数据集包含3类粗粒度标注的缺陷（带钢、铝合金和磁瓦）和6类细粒度标注的无缝钢管缺陷，如图4所示。

三、关键技术突破

疑似缺陷筛分模型

针对检测机器人采集的图像中存在样本不平衡问题（无缺陷样本远多于缺陷样本），研究团队提出了基于MobileNet系列的疑似缺陷筛分模型。该模型能够有效筛分出疑似缺陷样本，且无漏检现象，显著提高了后续缺陷分割的效率。

轻量化小样本分割模型（FASNet）

为了满足检测机器人的实时检测需求，研究团队开发了轻量化的小样本分割模型FASNet（图7）。该模型基于元学习框架，嵌入了缺陷特征聚合模块（图8）和多尺度特征解码器（图9），能够在边缘设备上高效运行，适用于实时检测场景。

高精度小样本分割模型（MFANet）

针对轻量化模型存在的精度瓶颈，研究团队进一步提出了高精度小样本分割模型MFANet。该模型部署于高性能服务器（图10）。该模型主要包括：支持集先验模块，支持集注意力模块（图11），三联体原型模块（图12）和多特征聚合解码器（图13）。实验结果表明，该模型在样本数量稀疏和缺陷类别较少的极端小样本场景中仍具有较高分割精度，如图14所示。

四、应用案例

研究团队开发的无缝钢管内表面缺陷检测机器人系统，集成了上述模型。机器人通过视觉检测单元采集钢管内表面图像，筛分出疑似缺陷样本后，通过无线网络将图像传输至服务器。服务器上部署的高精度分割模型MFANet对缺陷进行精确分割，最终输出检测结果。该系统已在实际工业场景中进行了应用测试，表现出色（图15）。

五、研究成果与开源

相关研究成果已发表在IEEE Transactions on Industrial Informatics（IF: 11.7，中科院一区TOP）和IEEE Sensors Journal（IF: 4.2，中科院二区）等国际顶级期刊上。研究团队还开源了相关代码和数据集，供学术界和工业界进一步研究和应用。

• MFANet项目地址：
• FASNet项目地址：