来源：期刊VIP网 时间：
作者：夏兴华;李佳莹;韩忠华;
单位：沈阳建筑大学计算机科学与工程学院;沈阳建筑大学电气与控制工程学院;
摘要：在工业生产过程中，零件会存在裂痕、污渍与折痕等缺陷，采用单一的神经网络很难同时学习图像的全局信息和边缘细节信息，无法实现缺陷准确的检测。因此，文中将CNN局部特征提取的优势和Transformer较强的捕获全局依赖关系的能力相结合，利用ResNet34与Swin Transformer两个分支分别对图像进行特征提取，引入注意力机制，进行空间与通道维度的注意力增强，并拼接得到特征融合的输出，实现全局信息与局部信息的融合。最终，解码在UNet结构的基础上采用多尺度跳步连接，通过上采样、拼接和逐像素分类等操作，得到最终的语义分割结果，且分割结果图清晰地展示了图像中的缺陷位置，实现了对工业零件的缺陷检测。通过对比实验证明，所提算法在工业生产零件MVTecAD数据集上的IoU结果远好于其他的语义分割算法，并且分割结果图与样本图像的标签结果十分吻合，充分验证了所提算法的有效性与实用性。
关键词：深度学习;;工业零件;;缺陷检测;;CNN;;Transformer;;特征提取
基金资助：国家自然科学基金项目(62273243);; 辽宁省教育厅高等学校基本科研项目重点项目(LJKZ0583);; 辽宁省科技厅应用基础研究计划(2022JH2/101300253);; 沈阳市科技计划项目(22-322-3-36)
