-
题名基于层次化多尺度特征融合的金属缺陷分类模型
- 1
-
-
作者
李季桐
刘杰
杨娜
王子宁
-
机构
沈阳工业大学机械工程学院
-
出处
《仪器仪表学报》
北大核心
2025年第3期206-218,共13页
-
基金
辽宁省教育厅面上项目(LJ212410142026)资助。
-
文摘
金属缺陷检测作为工业质量控制的关键环节,其检测精度直接影响制造业智能化进程。针对现有特征融合模块存在特征信息丢失、跨尺度信息交互不足以及识别准确率低等问题,提出一种基于层次化多尺度特征融合的分类模型。该模型通过融合Swin Transformer与ConvNeXt两种网络架构的互补优势,构建了具有层次化感知能力的特征学习网络。其中,Swin Transformer采用移位窗口机制和多级自注意力机制有效捕获全局特征,ConvNeXt通过深度可分离卷积和高效卷积操作精准提取局部特征。为实现全局与局部的高效融合,创新性地设计自适应层次特征融合层,该层采用通道注意力机制、空间注意力机制和多尺度融合策略,实现全局与局部特征在多层次上的有效融合,同时在该层中增加多层倒残差融合模块,通过动态调整提取特征信息,以确保特征融合的精准性与可靠性。为验证模型的有效性,在公开NEU-DET和GC10-DET数据集上进行实验,准确率分别达到99.6%和96.9%。为验证模型的泛化性,在自建数据集上进行实验,准确率达到99.8%,与目前主流算法ConvNeXt、Swin transformer、VGG16、ResNet34模型相比,准确率分别提升3.4%、2.3%、4.3%、2.7%。实验结果表明,HMFF模型在金属缺陷检测领域具有更显著的分类准确性和鲁棒性,为工业场景下的高精度缺陷检测提供了新的研究方法。
-
关键词
Swin
Transformer
ConvNeXt
缺陷分类
多尺度特征提取
自适应层次特征融合
多层倒残差连接
-
Keywords
Swin Transformer
ConvNeXt
defect classification
multi-scale feature extraction
adaptive hierarchical feature fusion
multi-layer inverted residual connections
-
分类号
TH164
[机械工程—机械制造及自动化]
-
