多尺度自适应注意力检测模型用于皮革织物瑕疵检测OA北大核心CSTPCD

在工业皮革织物生产中,缺陷检测是控制工业质量至关重要的一部分。而皮革织物表面的缺陷局部相似程度高,造成不同缺陷类间存在高相似性,导致缺陷检测的效果不佳。为此,文章提出了一种自适应卷积注意力(ACA),并引入骨干网络中增强语义特征表示能力。其次设计了基于自适应卷积注意力的特征金字塔(AC-FPN)改进多尺度融合,进行更低粒度的皮革缺陷区分。最后将传统检测头替换为侧面感知边界定位(SABL)检测头,聚焦皮革缺陷精确位置,有助于网络区分相似和不同类别的缺陷及更精确的定位。文章在自建皮革数据集对ACA及改进后的各个组件进行消融实验,与目前各种主流检测模型进行对比。其中,AP、AP_(50)和AP_(75)三项评估指标分别达到了83.4、89.7、85.6,并且在AP_(S)、AP_(M)和AP_(L)上分别达到了71.3、89.9、88.9。通过实验证明了可行性,为自动皮革缺陷检测方法提供了新的思路。