TGDNet:透明工业前灯玻璃的多尺度特征融合缺陷检测方法
1School of Automation, Central South University, Changsha 410083, China.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
这项研究介绍了一种计算机视觉系统,用于检测汽车前灯镜头中的缺陷. 新的透明玻璃缺陷网络 (TGDNet) 显著提高了对透明玻璃缺陷的检测准确度.
科学领域:
- 计算机视觉 计算机视觉
- 工业自动化 工业自动化
- 材料科学 材料科学 材料科学
背景情况:
- 汽车前灯镜头缺陷检测至关重要,但由于各种缺陷类型和透明度而具有挑战性.
- 现有的方法难以识别微妙,透明的表面缺陷.
研究的目的:
- 开发一个准确和高效的计算机视觉解决方案,用于汽车前灯透明玻璃缺陷检测.
- 为这个特定的应用引入一个新的深度学习网络和数据集.
主要方法:
- 收集了2000张汽车头灯图像,对缺陷进行了分类 (斑点,划痕,磨损),并应用了数据集增强方法 (SWAM) 来创建5532张图像的镜头缺陷数据集 (LDD).
- 提出了透明玻璃缺陷网络 (TGDNet),其中包括透明玻璃特征提取 (TGFE) 模块和改善了多尺度特征融合的注意力机制.
- 在数据采集过程中使用多角度照明.
主要成果:
- 与经典的缺陷检测方法相比,TGDNet在LDD上表现优越.
- 与最佳基线相比,平均精度 (mAP) 提高了6.7%,mAP50提高了8.9%.
- SWAM增强方法有效地解决了数据集中的类不平衡问题.
结论:
- 拟议的TGDNet利用多角度照明和先进的特征提取/融合,为透明玻璃缺陷检测提供了强大的解决方案.
- LDD和TGDNet为推进透明材料工业检查研究提供了宝贵的资源.
