MINet: Multi-scale Interactive Network for Real-time Salient Object Detection of Strip Steel Surface Defects

自动表面缺陷检测是工业生产中的基本任务，现有的基于显著性的方法克服了具有挑战性的场景并提供了有希望的检测结果。然而，最前沿的方法往往受到大参数大小、高计算成本和缓慢的推理速度的困扰，这严重限制了实际应用。为此，我们设计了一个多尺度交互（MI）模块，该模块采用深度卷积（DWConv）和点卷积（PWConv）来独立提取和交互融合不同尺度的特征。特别地，MI模块可以提供仅使用更少参数对缺陷区域进行满意的表征。基于这个模块，我们提出了一个轻量级的多尺度交互网络（MINet），以进行带钢表面缺陷的实时显著对象检测。在包含三种带钢表面缺陷检测图像（即夹杂物、补丁和划痕）的SD-Saliency-900数据集上的综合实验结果表明，所提出的MINet在运行368*368图像时，仅使用0.28M参数，GPU速度为721FPS，CPU速度为6.3FPS，呈现出与最先进方法相当的检测精度。代码可在https://github.com/Kunye-Shen/MINet上获取。

本论文旨在解决工业生产中表面缺陷检测的问题，提出了一种轻量级的多尺度交互网络，旨在提高检测效率。

论文提出了一种多尺度交互（MI）模块，利用深度卷积（DWConv）和点卷积（PWConv）分别提取和交互融合不同尺度的特征，从而提高缺陷区域的表征能力，并提出了轻量级的多尺度交互网络（MINet）。

论文在SD-Saliency-900数据集上进行了实验，证明MINet在检测精度方面与现有的方法相当，但仅需0.28M参数，GPU速度为721FPS，CPU速度为6.3FPS，实现了实时检测。论文代码已开源。

与该领域的相关研究包括：1. Salient Object Detection via High-Resolution and Multi-Scale Convolutional Neural Networks；2. A Novel Saliency Detection Method Based on Convolutional Neural Network；3. Salient Object Detection via Fully Convolutional Networks with Pooling Guidance Branch.