ADE-MDA-Net: an asymmetric dual-encoder network with multi-dilation attention for bearing surface defect segmentation
本文提出了 ADE-MDA-Net，一种结合了 SE-双重池化融合、多空洞深度注意力以及多尺度空间注意力融合模块的非对称双编码器网络，旨在实现对挑战性轴承表面缺陷的高精度且高计算效率的像素级分割。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代工业的隐秘机械结构中，从连接城市的轨道交通到风电场中旋转的涡轮机，被称为轴承的小型金属环件维持着一切的运转。这些部件是运动中默默无闻的英雄，但它们也是最先显现磨损迹象的部分。随着时间的推移，这些轴承的表面可能会产生微小的划痕、凹坑或裂纹。如果这些缺陷未被察觉，它们可能会不断扩大，导致摩擦、振动，并最终导致整个机器的突然失效。几十年来，检查这些缺陷一直依赖于人类在明亮灯光下扫描零件的肉眼观察。虽然这种方法有效，但速度慢、容易疲劳，并且当检查员连续盯着同一项任务数小时后，极易出现误差。为了解决这个问题，工程师们转向了计算机，教它们去观察人类可能忽略的东西。这个被称为“计算机视觉”的领域利用人工智能来分析图像并识别问题。然而，挑战在于这些缺陷通常非常微小，边缘模糊，并且隐藏在与缺陷本身看起来非常相似的复杂纹理背景中。要让计算机将微观划痕与阴影或金属颗粒区分开来，需要一种标准软件往往难以实现的精准度。
一个研究小组开发了一种解决此问题的新方法，创建了一个专门用于寻找并绘制轴承表面这些微小缺陷的数字化系统。他们将其创造物称为 ADE-MDA-Net，这个名字反映了其独特的结构。大多数传统系统使用单一路径来分析图像，而这个新网络使用了两条不同的路径协同工作，就像一个团队一样：其中一名成员专注于精细细节，而另一名成员则关注全局。第一条路径，即主编码器，旨在保留图像中锐利且具体的细节，确保即使是最微小的划痕也不会在处理过程中丢失。第二条路径，即辅助编码器，则采取了更宽广的视角，通过一种技术使其能够同时观察不同尺寸的模式。这种双路径方法使系统既能理解缺陷的精确形状，又能理解其与周围区域的关系，而这种结合在缺陷与金属边界模糊时至关重要。
为了让这两条路径有效地协同工作，研究人员在该系统中加入了几个智能工具。其中一个工具帮助网络决定图像的哪些部分是重要的，哪些仅仅是背景噪声，从而有效地教会计算机忽略金属的纹理，只关注缺陷。另一个工具通过不同的“镜头”捕捉各种尺度的信息，从而帮助系统理解缺陷的大小，无论是微小的斑点还是长而细的划痕。第三个工具充当桥梁，将来自细节路径和广度路径的信息结合起来，生成一张清晰的缺陷位置图。研究人员在一组大型图像集上测试了该系统，其中包括他们自己创建的一组新的轴承照片，以及一组显示金属条缺陷的公开图像集。结果表明，这种新方法在寻找缺陷方面明显优于以往的系统。它成功地识别了缺陷的位置和形状，具有很高的准确性，即使是在缺陷非常微小或边缘极其微弱、难以辨认的情况下也是如此。
研究还考察了该系统的速度和效率，这对于追求速度的现实工厂应用至关重要。这个新网络能够快速处理图像，每秒处理约两百张图像，同时仅使用适度的计算能力。这种速度与准确性之间的平衡是一个关键优势，因为这意味着该系统可以在不减慢生产线速度的情况下投入繁忙的生产线中使用。与其他目前已有的先进方法相比，这种新方法始终能生成更完整、更准确的缺陷图谱。它特别擅长保持长而细划痕的连续性，并且能够发现其他系统有时会遗漏或断开的多个微小缺陷。研究人员证实，他们新设计的每一个部分都为这一成功做出了贡献，表明双路径结合及专门工具的组合才是提升性能的关键。
最终，这项工作为工业质量控制提供了一个切实向前迈进的步骤。通过提供一种自动且准确检测轴承表面缺陷的方法，该系统可以帮助制造商及早发现问题，减少浪费，并防止设备故障。研究人员指出，虽然目前的系统非常有效，但仍有空间使其变得更轻量、更快速，以实现更广泛的应用。他们还看到了将这种双路径策略应用于其他需要检测微小、不规则缺陷的工业表面的潜力。研究结果表明，通过模仿不同类型的视觉注意力如何协同工作，可以训练计算机去观察那些维持我们机器安全高效运行的隐形细节。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。