一种基于多尺度融合的金属表面缺陷检测方法技术

本发明专利技术公开了一种基于多尺度融合的金属表面缺陷检测方法，针对现有技术中人工检测效率低、深度学习算法在微小缺陷检测精度不足的问题，本发明专利技术核心包括：全局注意力机制(GAM)：在YOLOv11网络的骨干网和特征融合层嵌入GAM模块，通过通道注意力和空间注意力的串联操作，增强缺陷区域的特征权重；多尺度特征融合优化：结合FPN和PAN结构，新增P2层(160×160)以融合低层高分辨率特征，显著提升微小目标检测能力；MPDIoU损失函数：提出基于最小点距的交并比损失函数，优化边界框回归精度，解决传统方法对尺寸差异敏感的问题。实验表明，本发明专利技术在铝材表面缺陷数据集上的平均精度均值(mAP@0.5)达到64.2％，较原YOLOv11提升3.5％；在钢材数据集上mAP@0.5达78.4％，提升4.2％，检测速度保持≥100FPS。

【技术实现步骤摘要】

本专利技术涉及工业机械加工中的目标检测，具体是一种基于多尺度融合和注意力机制的金属表面缺陷检测方法，通过改进yolov11算法，提升金属表面微小缺陷的检测精度与效率。

技术介绍

1、金属的表面缺陷检测是金属生产过程中一个不可或缺的操作，直接决定了生产出来的金属的质量。比如，在铝材生产的过程中，由于加工工具和机械操作的因素，难免会对铝材表面造成损伤，表面会出现擦花、凹陷、桔皮、不导电、漏底、碰伤、凸粉、起坑、涂层开裂和脏点等缺陷。这样的铝材缺陷，最终会导致铝材的质量缺陷和外观美观度的下降，从而损害企业的经济效益。

2、目前国内的大多数企业仍然采用人工识别的方法来检测金属表面缺陷，然而该方法需要检测人员经过一定的培训和实际操作经验，并且在检测过程中存在着效率低下、检测标准不统一等问题。这种人工的方式会降低金属生产的效率，很难保证生产出来高质量的金属。因此，如何才能更加自动、精确、高效地检测金属表面缺陷成为近年来一个热门的研究方向。

3、现有基于深度学习的检测算法(如yolov11)在微小目标检测中存在精度不足的问题。主要原因是深层网络的本文档来自技高网...

【技术保护点】

1.一种基于多尺度融合的金属表面缺陷检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多尺度融合的金属表面缺陷检测方法，其特征在于，所述步骤S2中，所述全局注意力机制(GAM)模块包括通道注意力模块和空间注意力模块，执行顺序为：

3.根据权利要求2所述的基于多尺度融合的金属表面缺陷检测方法，其特征在于，所述通道注意力模块通过以下步骤实现：

4.根据权利要求2所述的基于多尺度融合的金属表面缺陷检测方法，其特征在于，所述空间注意力模块通过以下步骤实现：

5.根据权利要求1所述的基于多尺度融合的金属表面缺陷检测方法，其特征在于，所...

【技术特征摘要】

1.一种基于多尺度融合的金属表面缺陷检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多尺度融合的金属表面缺陷检测方法，其特征在于，所述步骤s2中，所述全局注意力机制(gam)模块包括通道注意力模块和空间注意力模块，执行顺序为：

3.根据权利要求2所述的基于多尺度融合的金属表面缺陷检测方法，其特征在于，所述通道注意力模块通过以下步骤实现：

4.根据权利要求2所述的基于多尺度融合的金属表面缺陷检测方法，其特征在于，所述空间注意力模块通过以下步骤实现：

5.根据权利要求1所述的基于多尺度融合的金属表面缺陷检测方法，其特征在于，所述步骤s3中，新增p2层...

【专利技术属性】
技术研发人员：秦汉林，
申请(专利权)人：浙江机电职业技术大学，
类型：发明
国别省市：