多任务引导的多尺度特征自适应融合冷轧板带表面缺陷分割方法
罗小毅1
张飞宇2
杜旺哲3
韩建超3
李旭为2
徐卫2
1.太原理工大学机械工程学院,山西太原 030024;北材南通金属科技有限公司,江苏南通 2266002.太原理工大学机械工程学院,山西太原 0300243.太原理工大学机械工程学院,山西太原 030024;太原理工大学金属成形技术与重型装备全国重点实验室,山西太原 030024
摘要：冷轧板带表面缺陷检测是保障工业生产质量的重要环节,基于深度学习的缺陷检测方法在板带表面缺陷检测领域被广泛应用,但仍然面临小尺寸缺陷漏检、类别不平衡及超高分辨率图像处理效率低等难点.为解决这些问题,提出一种基于多尺度特征融合与注意力优化的改进型多任务分割网络(MFAFMSNet).以残差网络为编码器基础,构建多空洞率的空间金字塔模块,通过多级空洞卷积融合跨尺度上下文信息;在解码过程中嵌入多尺度与压缩——激励通道注意力机制,动态分配特征通道权重,加强小缺陷的检测能力;建立多类缺陷分类辅助任务,通过多任务模型框架提升模型类间缺陷辨识能力;设计动态加权混合损失函数,结合Dice损失与Focal损失的互补优势,引入自适应阶段性权重调整策略以缓解类别不平衡问题.此外,构建了一个冷轧板带表面缺陷分割数据集,在该数据集上进行的实验结果表明,模型的mIoU与Dice系数较基准分别高5.9％和5.8％,并与主流模型相比性能达到最优.
关键词：缺陷分割多尺度特征融合注意力机制深度学习多任务学习
分类号：TP391.4(计算技术、计算机技术)
资助基金：山西省基础研究计划项目(202303021212054)河北省科技重大专项(23280101Z)
论文发表日期：2025-07-20
在线出版日期：2025-09-08（本平台首次上网日期，不代表文献的发表时间）
页数：7( 7-13 )
英文信息