文献类型：期刊文章

作　　者：李亚东[1] 马行[1,2] 穆春阳[2,3] 李建东[1]

LI Yadong;MA Xing;MU Chunyang;LI Jiandong(School of Electrical and Information Engineering,North Minzu University,Yinchuan 750021,China;The Key Laboratory of Intelligent Information and Big Data Processing of Ningxia Province,North Minzu University,Yinchuan 750021,China;College of Mechatronic Engineering,North Minzu University,Yinchuan 750021,China)

机构地区：[1]北方民族大学电气信息工程学院,银川750021 [2]北方民族大学宁夏智能信息与大数据处理重点实验室,银川750021 [3]北方民族大学机电工程学院,银川750021

出　　处：《计算机工程与应用》

基　　金：宁夏回族自治区重点研发计划项目(2021BEE03002);宁夏自然科学基金(2020AAC03201);自治区科技创新领军人才培养工程项目(2021GKLRLX08)。

年　　份：2023

卷　　号：59

期　　号：1

起止页码：100-107

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对深度学习模型在工业轴承表面缺陷检测中多目标情形下的小目标漏检率高、模型特征融合不充分的问题,基于YOLOX提出一种多注意力特征加权融合的小目标缺陷检测算法。在骨干网络引入特征提取更加细粒度的Res2Block模块,同时嵌入自注意力机制,增加隐性小目标的区域特征,减少漏检率;设计内嵌坐标注意力并作为加权条件的双路金字塔特征融合网络,提升浅层细节特征和深层高级语义特征的交互融合能力;后处理阶段引入Focal Loss损失函数,增加模型对正样本目标的学习,进一步减少漏检率。实验结果表明,与原YOLOX算法相比,改进算法在自制小型列车轴承表面缺陷数据集上mAP提高了4.04个百分点,对小目标的识别率明显提升。

关 键 词：轴承表面缺陷检测  YOLOX  自注意力  特征加权融合  坐标注意力  

分 类 号：TP391.41]