使用极化成像和双流特征融合的增强轨道表面缺陷细分
Yucheng Pan1, Jiasi Chen1, Peiwen Wu1
1College of Electronic Engineering & College of Artificial Intelligence, South China Agricultural University, Guangzhou 510642, China.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
这项研究引入了一种新的方法,用于检测轨道表面缺陷,使用偏振图像和增强的DeepLabV3+网络. 该方法在具有挑战性的低光条件下提高了准确性,确保了更安全的工业操作.
科学领域:
- 计算机视觉 计算机视觉
- 材料科学 材料科学 材料科学
- 工业安全 工业安全 工业安全
背景情况:
- 传统的视觉检查在不良照明下与低对比度轨道表面缺陷作斗争.
- 现有的方法无法有效地检测复杂背景的小缺陷.
研究的目的:
- 为铁路表面开发一种新的缺陷细分方法.
- 为了提高低对比度和小缺陷的检测,特别是在具有挑战性的照明条件下.
主要方法:
- 一个双流功能融合网络,将两极化图像与DeepLabV3+相结合.
- 使用了经过修剪的MobileNetV3骨干,并以协调注意力提高了效率.
- 集成的CBAM在精细特征融合的解码阶段.
主要成果:
- 实现了73.00%的MIoU和80.59%的MPA,超过了U-Net,PSPNet和原来的DeepLabV3+.
- 显示了97.82%的全面检测准确度.
- 在复杂的背景中有效检测到小的,低对比度的缺陷.
结论:
- 拟议的带有偏振成像的双流网络显著改善了轨道表面缺陷检测.
- 该方法符合工业安全和效率的严格准确性要求.
- 这种方法为具有挑战性的缺陷检测场景提供了强大的解决方案.
更多相关视频
06:03AMEBaS: Automatic Midline Extraction and Background Subtraction of Ratiometric Fluorescence Time-Lapses of Polarized Single Cells
Published on: June 23, 2023
809
08:49Author Spotlight: Unveiling the Potential of VSFG Microscopy in Studying Mesoscopically Heterogeneous Self-Assembled Structures
Published on: December 1, 2023
2.0K
