Para resolver o problema da capacidade limitada de expressão de características e da insuficiente robustez dos modelos tradicionais de segmentação ao lidar com interferências de fundo complexas ou áreas com defeitos minuciosos em engrenagens, este artigo propõe uma rede de segmentação baseada na fusão de características multiescala e atenção em blocos, para melhorar a capacidade de representação das características visuais das engrenagens e o desempenho na detecção de pequenos defeitos. Primeiramente, o módulo de reforço de características multiescala substitui o módulo padrão de downsampling no codificador UNet, extraindo em paralelo características multiescala e multidirecionais por meio de uma estrutura convolucional de múltiplos ramos, fortalecendo a percepção dos detalhes locais e do contexto global. Em segundo lugar, após o downsampling, é introduzido um módulo de foco em características por blocos que utiliza um mecanismo de atenção multi-head em blocos para analisar regiões locais de forma independente, aumentando significativamente a sensibilidade do modelo para defeitos pequenos e diferenças de textura local. Por fim, é projetada uma função de perda conjunta ponderada que combina a perda Dice, perda BCE e restrição de diferença de gradiente, para aliviar o problema do desequilíbrio de classes e otimizar a qualidade das bordas da segmentação. Os resultados experimentais em conjuntos de dados próprios e públicos de defeitos em engrenagens mostram que o modelo proposto supera o UNet e outros modelos avançados nas tarefas de segmentação de múltiplos tipos de defeitos em engrenagens, alcançando precisões de 91,27% e 85,88%, respectivamente. Este método demonstra eficácia e capacidade em tempo real na segmentação precisa de defeitos na superfície das engrenagens.

Detecção de defeitos superficiais;segmentação de imagens;UNet;atenção por blocos;engrenagem