Um die begrenzte Ausdrucksfähigkeit von Merkmalen und die mangelnde Robustheit traditioneller Segmentierungsmodelle bei der Verarbeitung komplexer Hintergründe oder feiner Fehlerbereiche an Zahnrädern zu lösen, schlägt dieser Beitrag ein Segmentierungsnetzwerk vor, das auf der Fusion von Merkmalen auf mehreren Skalen und blockweisen Aufmerksamkeitsmechanismen basiert, um die Repräsentationsfähigkeit visuelle Merkmale von Zahnrädern und die Erkennungsleistung feiner Defekte zu verbessern. Zunächst ersetzt ein Multi-Skalen-Merkmalsverstärkungsmodul das standardmäßige Downsampling-Modul im UNet-Encoder durch eine parallele Mehrzweig-Faltungsstruktur, die multiskalige und multidirektionale Merkmale kooperativ extrahiert und die Wahrnehmung lokaler Details sowie des globalen Kontexts verbessert; zweitens wird nach dem Downsampling ein blockweises Merkmalsfokus-Modul eingeführt, das mit einem blockweisen Multi-Head-Attention-Mechanismus lokale Bereiche unabhängig analysiert und dadurch die Sensitivität des Modells für mikroskopische Defekte und lokale Texturunterschiede deutlich erhöht; schließlich wird eine gewichtete kombinierte Verlustfunktion entwickelt, die Dice-Verlust, BCE-Verlust und Gradientenunterschiedsbeschränkungen kombiniert, um das Klassenungleichgewichtsproblem zu mildern und die Segmentierungsrandqualität zu optimieren. Experimentelle Ergebnisse auf selbst erstellten und öffentlichen Datensätzen zu Zahnraddefekten zeigen, dass das vorgeschlagene Modell die Leistung von UNet und anderen fortschrittlichen Modellen bei der Segmentierung verschiedener Zahnraddefektarten übertrifft und Präzisionswerte von 91,27 % bzw. 85,88 % erreicht. Die Methode ist effektiv und bietet Echtzeitfähigkeit bei der präzisen Segmentierung von Zahnradoberflächenfehlern.

Oberflächenfehlererkennung;Bildsegmentierung;UNet;Blockaufmerksamkeit;Zahnrad