轻量级 CNN 在工业缺陷检测中的优越性：以风力涡轮机叶片为例

本文研究了轻量级卷积神经网络（CNNs）与视觉 Transformer（ViTs）在工业缺陷检测中的有效性，重点关注风力涡轮机叶片。尽管 ViTs 近期在计算机视觉研究中引起了广泛关注，但在高度专业化的工业应用中，其相对于传统 CNNs 的优势仍不明确。为了填补这一空白，本研究利用包含腐蚀（corrosion）、细裂纹（craze）、隐形裂纹（hidecraze）、表面附着物（surfaceₐttach）、表面腐蚀（surfacecorrosion）、表面损伤（surfaceᵢnjure）、表面油污（surfaceₒil）以及雷击（thunderstrike）等标注的风力涡轮机叶片表面缺陷数据集开展了严格的对比研究。实验结果表明，轻量级 CNNs 在准确率和效率两方面均优于 ViTs。具体而言，基于 CNN 的模型达到了 98. 2% 的最高准确率，而表现最佳的 ViT 仅达到 50. 6%。除准确率外，CNNs 在相对较小的数据集上训练时还展现出更优越的数据效率和鲁棒性，突显了其在通常难以获取大规模标注数据的工业缺陷检测任务中的适用性。这些发现强调了轻量级 CNNs 在工业场景中的持续重要性，并为风力涡轮机叶片巡检等安全关键型应用中的模型选择提供了实用指导。本文的贡献在于阐明了 ViTs 在工业条件下的局限性，并强化了轻量级 CNNs 作为一种可靠且高计算效率的缺陷检测解决方案的价值。