Para resolver los problemas de capacidad limitada de expresión de características y falta de robustez que enfrentan los modelos de segmentación tradicionales al manejar fondos complejos o áreas con defectos minuciosos en engranajes, este artículo propone una red de segmentación basada en la fusión de características multiescala y atención por bloques para mejorar la capacidad de representación de las características visuales de los engranajes y el rendimiento en la detección de defectos pequeños. Primero, se reemplaza el módulo estándar de submuestreo en el codificador UNet por un módulo de mejora de características multiescala que utiliza una estructura convolucional paralela de múltiples ramas para extraer de manera conjunta características multiescala y multidireccionales, mejorando la percepción de detalles locales y el contexto global; en segundo lugar, después del submuestreo se introduce un módulo de enfoque de características por bloques que utiliza un mecanismo de atención multicefalía por bloques para analizar de manera independiente las regiones locales, aumentando significativamente la sensibilidad del modelo a defectos microscópicos y diferencias texturales locales; finalmente, se diseña una función de pérdida combinada ponderada que integra la pérdida de Dice, la pérdida BCE y restricciones de diferencia de gradiente para mitigar el problema de desequilibrio de clases y optimizar la calidad de los bordes de segmentación. Los resultados experimentales en conjuntos de datos públicos y propios de defectos de engranajes demuestran que el modelo propuesto supera a UNet y otros modelos avanzados en tareas de segmentación de múltiples tipos de defectos de engranajes, alcanzando precisiones del 91.27% y 85.88%. El método es efectivo y en tiempo real para la detección precisa de segmentación de defectos superficiales de engranajes.

Detección de defectos superficiales;Segmentación de imágenes;UNet;Atención por bloques;Engranaje