Um die automatische und schnelle Erkennung sowie Sortierung von metallischen zylindrischen Töpfen mit hoher Reflexion zu realisieren und das technische Problem der langsamen und ineffizienten Oberflächendefekterkennung bei Metalltöpfen zu lösen, wurde auf Basis des YOLOX-Netzes ein bidirektionales Merkmalsfusion-Netz eingeführt. Es wurde ein leichtgewichtiges Merkmalsfusion-Netzmodell auf Basis eines Aufmerksamkeitsmechanismus vorgeschlagen, um ein leichtgewichtiges Design des Rechenmodells zu erreichen; gleichzeitig lernt das Aufmerksamkeitsmechanismus-Modul Merkmalsinformationen über Kanal und Raum, was die semantische Lücke der Mehrskalen-Merkmale effektiv mindert und die Erkennungsgenauigkeit des Modells verbessert; unter Berücksichtigung der ungleichen Gewichtverteilung beim Lernen schwieriger und einfacher Klassifizierungsbeispiele wurde eine auf einem Abschwächungsfaktor basierende Klassifikationsverlustfunktion entworfen; mit einem Datensatz von Oberflächendefekten zylindrischer Metalltöpfe wurden Vergleichsexperimente zum Merkmalsfusionsnetz, zur Klassifikationsverlustfunktion und Ablationsexperimente zur Position des Aufmerksamkeitsmechanismus-Moduls durchgeführt. Die Experimentergebnisse zeigen, dass das fusionierte Modell mit Aufmerksamkeitsmechanismus sechs verschiedene Defektarten effektiv erkennen kann, die mittlere Erkennungsgenauigkeit mAP_0.5 im Testdatensatz 90,92 % erreicht und die Erkennungsrate 30,84 Bilder/s beträgt, wodurch eine hochpräzise und schnelle Erkennung sowie Lokalisierung der Oberflächendefekte zylindrischer Metalltöpfe realisiert wird.

Maschinelles Sehen;Merkmalspyramide;Aufmerksamkeitsmechanismus;Metalloberflächendefekte