关键词：二值神经网络;轻量化;深度学习;钢铁缺陷;分类
摘 要：基于二值化网络提出了轻量二值化钢铁缺陷分类网络（Lightweight Binarized Steel Defect Classification Network,LBSDC-Net），以期实现实时高精度的钢铁缺陷自动分类。首先，基于可变阈值符号函数和组卷积的理念，设计了双阈值型组卷积模块，以在压缩网络模型的同时最小化二值组卷积引起的信息损失，将基础网络模型大小降低了31.2%，精度仅下降0.34%；其次，通过调整下采样卷积的步长并结合最大池化，降低了残差网络中捷径分支下采样时的信息损失，提升了网络的分类性能；在NEU-CLS钢铁缺陷数据集上的实验结果表明，网络模型大小为11.86 MBit时，LBSDC-Net网络在钢铁缺陷分类任务中准确率达到99.06%。相较于基础网络Bi-Real-Net98.73%的准确率和17.23 MBit的网络模型大小，LBSDC-Net实现了网络规模的有效压缩，还提升了分类精度。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取