标题：MFNet: A Novel Multilevel Feature Fusion Network With Multibranch Structure for Surface Defect Detection
单位：the College of Computer Science, Sichuan University, Chengdu
1、研究背景：
在钢铁行业、瓷砖行业、纺织行业等工业制造行业，表面缺陷检测是保证产品质量不可缺少的程序。传统的手工表面缺陷检测通常由训练有素的人工检测人员进行，这种检测方式是昂贵的，耗时的，并且无法进行自动检测。
为了解决上述局限性，基于特征提取的机器视觉方法被应用于表面缺陷检测，但表面缺陷检测在复杂性方面存在低对比度，微小物体和不规则性等特点，导致基于机器视觉的方法也无法进行检测。所以基于深度学习的方法被提出并运用在缺陷检测方面，比传统的机器视觉方法具有更高的自动化程度，更重要的是，检测性能大大提高。
1、引入改进的ASPP模块，保证网络从底层特征中感知到足够的语义信息，最小化信息丢失。
2、设计多支路解码结构，融合多级特征，将前一支路的特征映射反馈到后一支路的各级，提高网络性能。
3、引入全局上下文通道关注模块，便于多级特征融合，恢复更多缺陷细节。
3、研究方法：
本文中提出了一种具有多分支结构的多层特征融合网络(MFNet)用于表面缺陷检测。网络由编码器网络，改进的ASPP模块(ASPP- A)，多分支解码器网络，全局关注模块，深度监督五个部分组成。首先，将缺陷图像输入到网络中，通过编码器网络提取多级特征，通过卷积和池化操作聚合低层次和高层次信息。接着，将这些浅层分支的特征输入到ASPP-A模块中，通过使用不同核的扩张卷积来扩展感受野，以补偿特征提取中的局限性。然后，每个分支通过上采样块（UB）恢复特征图到其原始大小，通过跳跃连接融合不同分支的特征，并调整同一层级不同分支的特征维度使其一致，但在跳跃连接操作之前需要嵌入全局通道注意力模块（GCAM），以便于特征融合并增强网络性能。最后，融合所有分支的输出，以产生最佳的检测结果，如图1所示。
图1 MFNet的总体架构
为了更加准确地检测缺陷，需要尽可能多地使用包含详细信息的低级特征。然而，底层特性缺乏足够的接受野来捕获有用的上下文信息。为此，提出了一种改进的ASPP模块，该模块由卷积块和最大池化块组成，ASPP-A模块架构如图2所示。
图2 ASPP-A模块的架构
图3 UB模块的架构
虽然引入了跳跃连接以合并来自不同分支的相邻特征图，但融合的特征过于粗糙，对缺陷检测效果有限，对此本文提出了一种全局通道注意力模块（GCAM），该模块采用全局最大池化和全局平均池化路径以细化通道交互，GCAM模块的架构如图4所示。
论文的实验部分将提出的MFNet在标准数据集CrackForest、Kolektor、Type-I RSDDs (RSDDs)上进行检测评估，评价指标采用精确率、F1分数、交并比。
通过消融实验验证了MFNet中ASPP-A模块，GCAM模块，ResNet的有效性。在Crackforest数据集上进行消融实验，设计了五种不同的模型分别进行比较，结果如表4所示，每个模块都能够在一定程度上发挥有益的作用，且将所有模块进行组合才能实现最佳性能。
表4 Crackforest数据集消融实验结果
未来还将进一步尝试更有效的数据增强策略以增强缺陷检测能力，且仍将继续优化网络结构，以实现实时和高精度的性能。
