史杨潇，章 军，陈 鹏，王 兵

（1.安徽大学电气工程与自动化学院，合肥 230601；2.安徽工业大学电气信息学院，安徽马鞍山 243002）

（∗通信作者电子邮箱1142752120@qq.com）

0 引言

钢铁表面缺陷分类是工业缺陷检测的关键环节。然而，在传统工业中，这个环节往往是手动执行的。为了取代手工操作，人们希望机器能够利用计算机视觉技术自动检测钢铁表面缺陷［1］。

由于钢铁表面缺陷图像受到光照和材质变化的影响，并且钢铁表面类内缺陷在外观上存在较大差异，类间缺陷又有相似的方面［2］，利用计算机视觉技术进行缺陷分类，仍然是一个巨大的挑战。目前的图像分类方法主要为两类:传统机器学习图像分类算法和基于卷积神经网络（Convolutional Neural Network，CNN）［3］的深度学习方法。传统图像分类算法主要采用特征提取和分类器设计两大步骤来实现，如K近邻（K-Nearest Neighbor，KNN）算 法［4］、支持向量机（Support Vector Machine，SVM）［5］以及神经网络［6］等。在实际缺陷分类应用中会面临各种复杂的情况，使用传统的图像处理方法在准确率上很难达到要求。

近年来，基于深度学习的图像分类方法取得了很好的效果，例如VGGNet（Visual Geometry Group Network）［7］、ResNet（Residual Network）［8］等。然而，最先进的CNN 需要数十亿次浮点运算，这使得它们无法用于移动或嵌入式设备。例如，ResNet-101 的复杂度为7.8×109FLOPs（FLoating-point Operations Per second），即使使用强大的GPU 也无法实现实时检测。考虑到现代CNN 的巨大计算成本，轻量级神经网络被提出部署在移动或嵌入式设备上。例如:MobileNetV1［9］和MobileNetV2［10］采用深度可分离卷积来构建轻量级网络；ShuffleNet［11］采用分组卷积和深度可分离卷积来构建轻量级网络；SqueezeNet［12］利用核心模块Fire 压缩模型参数，减小网络的深度，降低模型的大小；……