Тип публикации: статья из журнала
Год издания: 2026
Ключевые слова: Image Segmentation, material surface defects, convolutional neural networks, U-Net, ResNet, compression and excitation blocks, scSE blocks, computer vision, industrial quality control, сегментация изображений, дефекты поверхности материалов, сверточные нейронные сети, блоки сжатия и возбуждения, scSE-блоки, компьютерное зрение, промышленный контроль качества
Аннотация: Цель исследования - повышение точности сегментации дефектов поверхности материалов в задачах промышленного визуального контроля за счет интеграции пространственно-канальных механизмов внимания в архитектуру сверточной нейронной сети. Гипотеза заключается в том, что адаптация механизмов внимания на основе блоков сжатия и возбужденияПоказать полностью(squeeze-and- excitation), успешно применяемых в медицинской визуализации, позволит улучшить выделение дефектных областей по сравнению с базовой моделью энкодер-декодер без таких модулей. Для проверки гипотезы решались следующие задачи: модификация архитектуры типа энкодер-декодер, где в качестве энкодера используется остаточная сеть из 18 слоев (ResNet-18), путем внедрения блоков сжатия и возбуждения; адаптация модели для задач промышленного контроля; проведение экспериментального сравнения с базовой версией на открытом наборе данных KolektorSDD2 с пиксельной разметкой дефектов. Методы исследования: применение сверточных нейронных сетей с блоками внимания; оценка качества сегментации по метрикам сходства (IoU или Dice), чувствительности (recall), специфичности и общей точности (accuracy); количественное сравнение результатов с базовой архитектурой. Достигнутые результаты: экспериментально подтверждено, что внедрение пространственно-канальных механизмов внимания обеспечивает устойчивое повышение точности сегментации и более сбалансированное соотношение всех использованных метрик по сравнению с базовой моделью, что доказывает эффективность переноса методов из области медицинской визуа- лизации в промышленное компьютерное зрение. The aim of the study is to improve the accuracy of surface defects segmentation in industrial visual inspection tasks by integrating spatial-channel attention mechanisms into the convolutional neural network architecture. The hypothesis is that adaptation of attention mechanisms based on squeeze-and-excitation units, successfully used in medical imaging, will improve defect area detection compared to the baseline encoder-decoder model without such modules. To test the hypothesis, the following tasks were solved: modification of the encoder-decoder architecture, where an 18-layer residual network (ResNet-18) is used as an encoder, by implementing squeeze-and-excitation units; adaptation of the model for industrial inspection tasks; experimental comparison with the baseline version on the open KolektorSDD2 dataset with pixel-based defect marking. Research methods: use of convolutional neural networks with attention units; evaluation of segmentation quality by similarity metrics (IoU or Dice), sensitivity (recall), specificity and overall accuracy. Quantitative comparison of results with the baseline architecture. The study experimentally confirmed that the implementation of spatial-channel attention mechanisms provides a consistent increase in segmentation accuracy and a more balanced ratio of all metrics used compared to the baseline model, demonstrating the effectiveness of transferring methods from medical imaging to industrial computer vision.
Журнал: Перспективы науки
Выпуск журнала: № 7
Номера страниц: 99-110
ISSN журнала: 20776810
Место издания: Тамбов
Издатель: МОО ФРНК