工业缺陷视觉检测多模态融合论文.docxVIP

工业缺陷视觉检测多模态融合论文

一.摘要

工业生产过程中，产品缺陷的检测与控制是保障产品质量、提升生产效率的关键环节。传统单一视觉检测方法在复杂工况下往往面临漏检、误检率高的问题，而多模态融合技术通过整合不同传感器信息，能够有效提升缺陷识别的准确性与鲁棒性。本研究以汽车零部件生产线为应用背景，针对表面缺陷检测难题，构建了一种基于深度学习的多模态融合检测系统。系统采用可见光像、红外热成像和超声波信号三种模态数据，通过特征层融合与决策层融合相结合的方式，实现多源信息的协同利用。首先，利用卷积神经网络（CNN）分别提取各模态像的深层特征，然后通过注意力机制动态加权不同特征，完成特征层融合；接着，将融合后的特征向量输入到长短期记忆网络（LSTM）进行时序建模，并结合支持向量机（SVM）进行决策层融合，最终输出缺陷分类结果。实验结果表明，与单一模态检测方法相比，多模态融合系统在缺陷检出率上提升了23.5%，误检率降低了18.2%，且在不同光照、温度及振动等复杂工况下均保持较高稳定性。该研究验证了多模态融合技术在工业缺陷检测中的可行性与优越性，为复杂环境下高精度缺陷检测提供了新的技术路径。

二.关键词

工业缺陷检测；多模态融合；深度学习；特征融合；卷积神经网络；注意力机制；时序建模

三.引言

工业4.0和智能制造的快速发展对产品质量和生产效率提出了前所未有的要求。在自动化生产线中，视觉检测系统