従来のセグメンテーションモデルが複雑な背景干渉やギアの微細な欠陥領域の処理において特徴表現能力の限界やロバスト性不足の問題に直面していることを解決するため、本論文では多段階特徴融合とブロック注意に基づくセグメンテーションネットワークを提案し、ギアの視覚特徴の表現能力と微小欠陥の検出性能を向上させた。まず、UNetエンコーダの標準ダウンサンプリングモジュールを多段階特徴強化モジュールに置き換え、並列の多枝畳み込み構造を通じて多段階・多方向の特徴を協調的に抽出し、局所的な詳細と全体的な文脈の認識能力を強化した。次に、ダウンサンプリング後にブロック特徴集中モジュールを導入し、ブロック型マルチヘッド注意機構を用いて局所領域を独立に解析し、微細欠陥や局所テクスチャの差異に対するモデルの感度を著しく向上させた。最後に、Dice損失、BCE損失、および勾配差分制約を組み合わせた加重結合損失関数を設計し、クラス不均衡問題を緩和しセグメンテーション境界の品質を最適化した。独自作成および公開ギア欠陥データセットでの実験結果は、提案モデルが多種類のギア欠陥セグメンテーションタスクにおいてUNetや他の先進モデルを上回る性能を示し、精度はそれぞれ91.27％、85.88％に達した。この手法はギア表面欠陥の精密なセグメンテーション検出において有効かつリアルタイム性を備えていることが示された。

表面欠陥検出;画像セグメンテーション;UNet;ブロック注意;ギア