新闻网讯（通讯员 陈彪）12月8日，国际仪器与测量协会著名期刊IEEE Transactions on Instrumentation and Measurement（IEEE TIM）在线刊发了机械学院国家数控系统工程技术研究中心余文勇副教授课题组在工业表面缺陷智能检测领域的新成果，题为“A-Net: An A-shape Lightweight Neural Network for Real-time Surface Defect Segmentation（A-Net:一种用于实时表面缺陷分割的A形轻量化神经网络）”。机械学院2020级本科生陈彪为第一作者，2018级博士生牛通之为共同一作，余文勇为通讯作者，李斌教授为学业导师。

机器学习已成为工业表面缺陷检测的研究热点，但由于其日益增加的参数量和计算消耗，机器学习在工业现场应用的硬件成本日益增加。课题组设计了一种轻量级网络架构A-NET，通过编码器-解码器结构，提取低层次细节特征和高层次语义特征，将这些特征通过一个跳跃连接进行融合，使网络架构呈“A”形，这种方式不仅保留了多尺度特征提取和融合特性，而且最大限度地减少了由多个跳跃连接引起的内存使用,由此降低了网络参数量和计算复杂度。

通过多个标准测试集的评估，与同行的U-Net方法相比，A-Net在NEU-seg、DAGM-seg、MCSD-seg和MT数据集上分别获得了最佳性能-轻量化权衡。其网络参数量仅为0.39M，减少了98.8%，计算负载减少了99%。由于A-Net具有较低的FLOPs，因此在没有GPU的边缘设备上显示出极快的推理速度。通过A-Net开发的缺陷分割算法，适用于资源有限的工业现场应用。

11月，陈彪还以共同第一作者身份在第49届IEEE工业电子学会年会(IECON 2023)上发表论文，题为“Background-Adaptive Surface Defect Detection Neural Networks via Positive Samples（基于正样本的背景自适应表面缺陷检测神经网络，BANet）”。BANet利用孪生网络同时提取正样本和负样本的特征，再将二者相同特征对齐并做差，解决了背景纹理变化、平移和旋转噪声的问题。该方法在光通讯器件缺陷数据集上取得最佳分割性能。