Para melhorar a precisão e estabilidade na detecção de partículas condutoras aderentes, aumentar a objetividade dos indicadores de avaliação e sua adaptação às necessidades reais de produção, foi proposta a detecção de partículas aderentes baseada em rede neural convolucional circular. Primeiramente, foi proposta uma convolução circular mais adequada para a detecção de partículas, modificando a estratégia de amostragem da convolução deformável, limitando o grau de liberdade do deslocamento dos pontos de amostragem nas coordenadas x e y, e adicionando um parâmetro de controle de tamanho como compensação. Em seguida, com base na arquitetura de rede U-MultiNet, a convolução circular substituiu a forma original de convolução, e um mecanismo de atenção foi adicionado, calculando a autoatenção por meio do mapa de etiquetas, que é usado como peso para modificar a função de perda e o mapa de etiquetas. Por fim, foi proposto um algoritmo de avaliação abrangente dos indicadores de repetibilidade e reprodutibilidade em termos de precisão e estabilidade. Os resultados experimentais mostram que a repetibilidade e reprodutibilidade do método proposto são 0,8092 e 0,7051, respectivamente, com melhorias de 4,52% e 1,74% em relação aos métodos principais existentes; precisão e recall são 0,7128 e 0,6974, respectivamente, e a acurácia é 0,8341, um aumento de 1,68%. Em comparação com os métodos principais existentes, este método apresenta melhorias significativas na detecção de partículas sob interferências de aderência, podendo atender aos requisitos industriais de precisão, estabilidade e tempo real na detecção de partículas.

visão computacional;aprendizado profundo;redes neurais;detecção de partículas condutoras;convolução circular