可視光画像は照明の影響を受けやすく、フローテーションフォームの安定性の視覚検査が正確でない問題に対し、フォーム表面の赤外線サーモグラフィを行い、不安定な気泡検出を赤外線顕著ターゲット分割に変換し、フォーム赤外線顕著ターゲット分割のFIRSegNetモデルおよび安定度推定法を提案した。まず、U-Netアーキテクチャに基づきFIRSegNetモデルを構築し、Swin Transformerモジュールを用いて長距離依存関係を捉えるエンコーダーネットワークを構築し、画像のグローバルコンテキストの理解能力を向上させた。次に、スキップ接続に二重交差注意モジュール（DCA）を埋め込み、異なるスケールの赤外線フォーム画像の特徴情報をより良く融合し、さまざまな大きさの赤外線顕著領域の分割能力を強化した。さらに、残差細分化モジュール（RRM）を提案し、分割マップと真値との残差を学習することで赤外顕著領域の境界詳細を改善し、顕著ターゲットの精緻な分割を実現した。最後に、顕著ターゲット分割結果に基づきフォームの安定度を計算した。実験結果は、本手法が自構築データセットで良好な分割効果を示し、主流のセグメンテーションモデルと比較してmIoUが平均1.73%、mDiceが平均0.63%、MAEが平均11.6%向上し、分割精度が一定程度向上したことを示している。通常照明下における異なる作業条件でのフォーム安定度予測のRMSE、MAE、MAPEおよびAMAPEの平均値はそれぞれ0.0145、0.0133、2.3848%、0.0256であり、過剰露光および低輝度照明条件下での予測誤差は現存手法より明らかに低かった。本手法は照明変化に対する高い耐性を有し、複雑な照明環境下でのフォーム安定度の正確な定量的記述を保証し、後続のフローテーション生産作業条件および指標予測の基礎を築く。

フローテーションフォーム；赤外線顕著ターゲット分割；フォーム安定度推定；Swin Transformerネットワーク；二重交差注意；残差細分化ネットワーク