集成全局局部感知与分层特征融合的带钢表面缺陷检测OA

在工业场景中,现有带钢表面缺陷检测算法易受背景噪声和无关信息干扰,难以有效提取缺陷特征。传统多尺度特征融合方法未充分考虑非相邻特征间信息传递不足的问题,限制了特征融合的效果。复杂缺陷形态和缺陷的非结构特性则进一步增加了检测的挑战性。针对这些问题,提出了集成全局局部感知与分层特征融合的带钢表面缺陷检测算法,以提升模型在特征提取、多尺度特征融合及非结构化缺陷检测方面的能力。提出了特征增强模块(feature enhancement module,FEM),通过动态调整特征权重实现对目标特征的强化和背景噪声的抑制,提升模型对带钢表面缺陷信息的关注度。提出分层融合网络(hierarchical fusion network,HFN),充分融合不同层级特征之间的语义信息,提升模型的多尺度特征表达能力。设计全局局部感知模块(global-local awareness module,GLAM),在捕捉远距离依赖和上下文信息的同时,关注局部细节,增强模型对非结构化缺陷的检测能力。在公开数据集NEU-DET与GC10-DET上的结果表明,该算法的平均精度均值(mAP@IoU=50)为80.7%和66.9%,相比于基准模型分别提升了3.8和2.0个百分点,有效提高了带钢表面缺陷的检测精度。