本研究针对钢铁表面缺陷检测中的高速动态成像失配、跨尺度缺陷检测失准及亚毫米级缺陷难捕捉三大难题，提出基于自适应分辨率与轻量协同优化超高强度钢表面缺陷检测系统。实验验证表明，该模型在采集数据集的平均检测精度等指标显著优于主流算法。

钢铁表面缺陷检测是确保产品质量和安全性的关键技术，然而，该领域面临痛点有：(1)跨尺度缺陷特征表征机制缺失：跨分辨率对齐与多尺度耦合方法缺失；(2)微小缺陷表征能力不足：亚毫米级缺陷形貌建模与拓扑关系捕获失效；(3)计算-存储协同失衡：现有算法模型与边缘设备部署的硬件适配壁垒，亟需构建高效、轻量化且具备多尺度特征自适应校准能力的检测模型，以提升检测精度、降低误检率并满足工业实时性需求。国外在钢铁有较为成熟的智能化检测体系，但国内仍处于理论阶段。这一“卡脖子”难题制约了我国钢铁质量和性能安全的提升，是急需突破的技术瓶颈。
  针对上述难题，本研究提出了一种基于自适应分辨率与轻量协同优化的钢铁表面缺陷检测模型。该模型研究机理包括：(1)多尺度特征耦合与动态分辨率协同机制：基于动态对齐的跨尺度缺陷表征校准；(2)跨层级全局-局部特征耦合方法：构建亚毫米级精度的缺陷检测新框架；(3)动态感知量化架构：突破计算与存储瓶颈的轻量化策略。本研究(1)科学性在于理论严谨性、实验可验证性与工程可复现性的三重保障；(2)创新性在于技术瓶颈的突破与原创性方法论的构建；(3)科学性在于模型技术架构的普适性与行业赋能的突破性。
  未来，本研究计划持续优化算法，增强其在复杂环境下的适应能力，并与工业生产线深度集成以实现全自动化检测流程。研究团队还计划开发易于操作的云服务平台，提供实时数据分析和远程监控功能，以拓展国内外市场并与更多钢铁企业合作。同时，研究预计将检测技术应用于更多生产环节，如原材料检测和成品质量控制，提升钢铁行业的整体技术水平。此外，本研究积极参与行业标准化工作，推动钢铁生产流程的智能化和规范化，以促进产业升级和可持续发展。

第十九届“挑战杯”全国大学生课外学术科技作品竞赛二等奖