钢铁生产行业中最紧迫的挑战之一是识别表面缺陷。早期鉴定铸造缺陷可以帮助提高性能，包括简化生产过程。不过，深度学习模型帮助弥合了这一差距并自动化了大多数此类过程，但需要提出轻量级模型，可以随着更快的推理时间轻松部署这些模型。这项研究提出了一种轻巧的体系结构，该体系结构在准确性和推理时间方面与复杂的预训练的CNN体​​系结构（如Mobilenet，Inception和Resnet）相比，在精度和推理时间方面有效，包括视觉变压器。已经实验了方法，以最大程度地减少计算需求，例如深度分离卷积和全球平均池（GAP）层，包括提高建筑效率和增强的技术。我们的结果表明，具有深度可分离卷积的590K参数的自定义模型优于预审计的架构，例如重新连接和视觉变压器的准确性（81.87％）（81.87％），并舒适地超越了诸如重置，inception和Vision Transformers等体系结构。推理时间（12毫秒）。 Blurpool表现出了其他技术的表现，精度为83.98％。增强对模型性能有矛盾的影响。在推理时间上，深度和3x3卷积之间没有直接相关性，但是，它们通过使网络能够更深入并减少可训练参数的数量来提高模型效率，从而在提高模型效率方面发挥了直接作用。我们的工作阐明了一个事实，即可以构建具有高效体系结构和更快推理时间的自定义网络，而无需依靠预训练的架构。