表面缺陷检测基于自适应的多尺度特征融合
Guochen Wen1, Li Cheng1, Haiwen Yuan1
1School of Electrical and Information Engineering, Wuhan Institute of Technology, Wuhan 430205, China.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
本研究介绍了AMSFF-Net用于工业表面缺陷检测,提高突出物体检测 (SOD) 的准确性. 这种新型网络可以在复杂的背景下加强缺陷识别,其性能优于目前的方法.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 工业质量保证 工业质量保证
背景情况:
- 表面缺陷检测对于工业质量控制至关重要.
- 复杂的背景和各种各样的缺陷类型挑战现有的突出物体检测 (SOD) 方法.
- 准确的缺陷识别对于制造过程至关重要.
研究的目的:
- 提出一个可适应的多尺度特征融合网络 (AMSFF-Net) 进行强大的表面缺陷检测.
- 解决工业环境中当前SOD技术的局限性.
- 提高自动化质量保证系统的准确性和可靠性.
主要方法:
- 开发了AMSFF-Net,具有具有适应性重量,全球和差异特征融合的升样融合模块.
- 集成了一个空间注意力 (SA) 机制,以改善多功能地图融合.
- 采用了预处理技术,包括面比调整和随机旋转.
- 通过删除低质量的样本来精选磁缺陷数据集.
主要成果:
- 与最先进的方法相比,AMSFF-Net在表面缺陷检测方面表现优越.
- 获得了0.9038的S测量值和0.8782.8的Fβmax.
- 与现有的领先技术相比,Fβmax得到了1%的改进.
结论:
- AMSFF-Net有效地克服了复杂背景和工业表面检查中的各种缺陷所带来的挑战.
- 拟议的自适应融合和空间注意力机制显著提高了SOD性能.
- 该方法为改善制造业自动化质量保证提供了一个有希望的解决方案.
