基于Transformer多元注意力的钢材表面缺陷视觉检测

摘要

针对钢材表面缺陷尺度不一和现有检测算法多尺度特征处理能力较差、精度不高的问题，提出一种混合采样与多元注意力协同的钢材表面缺陷检测方法。首先，构建高效通道特征提取主干网络模块，在复杂的钢材表面背景下着重提取缺陷特征；其次，提出一种双重注意力协同的特征金字塔，扩大网络感受野，更好地捕获多尺度缺陷特征，提高对小目标的检测性能；最后，设计出一种Transformer混合采样策略，动态感知缺陷区域，提高模型的整体检测性能。在NEU-DET数据集上进行实验，结果表明：相较于基准算法DETR,所提改进算法的平均精度均值提高6.1百分点，达到81.4%,提升了模型对钢材表面缺陷检测的精度；此外，检测帧率为44.2帧/s,所提算法在检测速度和检测性能之间取得了较好的平衡。

关键词

缺陷检测 / 注意力机制 / Transformer / 混合采样 / DETR