.png){kind=icon}
返回
Research on coating surface defect detection based on multi-scale layer coupling parallel balance network
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6501/ae567c.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
金属表面涂层质量对被保护结构至关重要，而涂层缺陷检测是维护工作中的不可或缺的组成部分。然而，传统的手动检测方法存在效率低、耗时显著以及过度依赖经验的主观标准等问题，难以满足现代工程维护的实时性和准确性要求。本文提出了一种基于多尺度特征融合的多尺度耦合金字塔骨干（MCPB）网络模型，以解决涂层缺陷检测中的关键挑战，包括恶劣和模糊的缺陷特征、样本不平衡以及数据有限等问题。该网络模型采用下采样Focus方法改进基准网络的骨干，实现轻量级特征提取；设计RFocus和Focus模块完成特征金字塔的上采样和下采样过程，增强多尺度特征表示；引入层耦合注意力模块实现跨层特征融合，强化层间耦合；设计并行重构模块对深度融合特征进行净化，有效抑制背景噪声干扰；并整合增强空间注意力模块和增强通道注意力模块，以引导多尺度特征的精确提取。通过实验准备和数据收集，构建并处理了涂层表面缺陷数据集。该数据集上的实验结果表明，MCPB网络在缺陷检测精度方面显著优于YOLOv8、YOLOv11以及改进方法YOLOv8-CM，在检测下垂和剥落等关键缺陷类型时表现出极高的精度。该方法能够高效完成现场维护中的重要缺陷目标检测，在液压钢结构表面涂层工程维护中具有广阔的应用潜力。
Keyword:
coating defect detection
multi-scale feature fusion
layer coupling attention
parallel reconstruction module
lightweight network design
期刊
IF:
3.4
论文数:
2.7K
被引数:
2.3W
机构
引用论文
Research on detection and classification of automotive body surface defects based on image processing and machine learning基于图像处理和机器学习的汽车车身表面缺陷检测与分类研究
PREAI
分享收藏SODD-YOLOv8: an insulator defect detection algorithm based on feature enhancement and variable row convolutionSODD-YOLOv8：一种基于特征增强和变行卷积的绝缘子缺陷检测算法
PREAI
分享收藏Triplet-graph reasoning network for few-shot metal generic surface defect segmentation三元组图推理网络用于少样本金属通用表面缺陷分割.png)
IF0
PREAI
分享收藏
Improved faster R-CNN for fabric defect detection based on Gabor filter with Genetic Algorithm optimization基于遗传算法优化Gabor滤波器的改进faster r-cnn织物疵点检测
PREAI
分享收藏An End-to-End Steel Surface Defect Detection Approach via Fusing Multiple Hierarchical Features融合多个层次特征的端到端钢表面缺陷检测方法
OAAI
OAAI分享收藏A survey of real-time surface defect inspection methods based on deep learning基于深度学习的表面缺陷实时检测方法综述
PREAI
分享收藏
查看更多内容