融合注意力机制与联合优化的表面缺陷检测.pdfVIP

第36卷第1期计算机辅助设计与图形学学报Vol.36No.1

2024年1月JournalofComputer-AidedDesignComputerGraphicsJan.2024

融合注意力机制与联合优化的表面缺陷检测

1,2,3)1)1)*1,2)

董永峰,孙松毅,王振,刘晶

1)(河北工业大学人工智能与数据科学学院天津300401)

2)(河北工业大学河北省数据驱动工业智能工程研究中心天津300401)

3)(河北工业大学河北省大数据计算重点实验室天津300401)

(wangzhen@)

摘要:两段式缺陷检测模型中分割和分类网络的优化目标不一致,导致二者耦合性较差,且分割模块误差的积累

可能进一步弱化分类模块的性能.针对上述问题,提出一种基于注意力机制的缺陷检测联合优化算法.首先基于混

合注意力特征融合模块的分割网络融合浅层特征和深层特征,提取更全面的缺陷位置信息;然后基于多感受野空间

注意力模块的分类网络挖掘更具判别性的缺陷类别特征;最后通过联合优化目标实现分割和分类网络的学习优化,

提升整个算法的耦合性以及性能.基于PyTorch框架,在公开工业缺陷检测数据集DAGM2007,MAGNETIC-TILE和

KolektorSDD2数据集上进行实验,并引入分段式算法及类U-Net算法进行横向对比的结果表明,所提算法的准确率

相比分段式算法最高提升28.02%,相比类U-Net算法最高提升8.3%,且精确率、召回率、F1值均优于同类算法,具

有更好的检测性能.

关键词:深度学习;特征融合;缺陷检测;注意力机制

中图法分类号:TP391.41DOI:10.3724/SP.J.1089.2024.19785

AttentionMechanismBasedJointOptimizationAlgorithmforDefectDetection

DongYongfeng1,2,3),SunSongyi1),WangZhen1)*,andLiuJing1,2)

1)(SchoolofArtificialIntelligence,HebeiUniversityofTechnology,Tianjin300401)

2)(HebeiEngineeringResearchCenterofData-DrivenIndustrialIntelligent,HebeiUniversityofTechnology,Tianjin300401)

3)(HebeiProvinceKeyLaboratoryofBigDataComputing,HebeiUniversityofTechnology,Tianjin300401)

Abstract:Theobjectivesofsegmentationnetworkandclassificationnetworkintwo-stepdefectdetection

modelareinconsistent,resultinginthelowcouplingbetweenthem,andtheerroraccumulatedinsegmentation

networkfurt