DAM-Faster RCNN:基于双重注意力机制的木材缺陷检测方法

科学领域:

• 计算机视觉和机器学习
• 材料科学与工程 材料科学与工程

背景情况:

• 木材缺陷检测面临着来自少数拍摄样本稀缺性,多种缺陷类型和复杂的背景干扰的挑战,限制了模型准确性和概括性.
• 现有的方法在现实世界检查条件下难以对细微的木材缺陷进行可靠的识别.

研究的目的:

• 开发一个改进的Faster RCNN模型,采用双重注意力机制 (DAM) 来提高木材缺陷检测的准确性和概括性.
• 为了解决在自动木材质量检查中少量学习和复杂背景的局限性.

主要方法:

• 提出了一种改进的Faster RCNN模型,采用双重注意力机制 (DAM),集成交叉注意力和空间注意力模块.
• 推出了一个改进的木材区域提案网络 (WRP),具有特征平均汇集和跨层融合,用于强大的候选盒生成.
• 开发了一种具有多分支分类和加权融合的木材特征重建头 (WFRH),以适应新的和少数射击缺陷类别.

主要成果:

• 拟议的基于DAM的Faster RCNN模型在PASCAL VOC和FSOD数据集上实现了最先进的性能.
• 在识别17种类型的木材缺陷方面显著改善,AP50和AP75分别增加了25%和7.9%.
• 验证了模型的卓越检测准确度和类别区分,特别是在少数镜头和复杂的背景条件下.

结论:

• DAM,WRP和WFRH模块的协同优化显著提高了木材缺陷检测能力.
• 拟议的方法提供了一个实用和有效的解决方案,用于在现实世界木材质量检查中进行智能短拍检测.
• 双重注意力机制在抑制噪音和改善特征表达方面被证明是有效的,用于具有挑战性的检测任务.