涂附磨具网

       砂带磨削过程中表面缺陷的存在对零件的使用性能有显著影响，精确提取表面缺陷特征信息有助于提高磨削质量。然而，面对复杂纹理特征的砂带磨削表面，有效提取缺陷特征并量化表征是一项具有挑战性的任务。因此，本研究提出了一种基于深度学习理论的砂带磨削表面划痕缺陷定量解释方法。针对复杂纹理背景、缺陷大小、面积和磨削深度不一等问题，提出了一种关注多尺度通道和空间注意信息的自动分割模型(FCSNet)。为了集中多尺度通道和空间信息，准确检测缺陷特征，构造了带有通道和空间双重注意模块(RAPCS)的残差卷积金字塔模块。为了捕捉全局的、远程的上下文特征并强调目标区域，在编码器路径和解码器路径之间的跳跃连接中包含了卷积块注意模块(CBAM)连接块。为解决分割目标区域过小导致的前背景数据不平衡问题，采用Focal Tversky混合损失函数指导模型学习难感兴趣区域(ROI)。在网络结构的最后，采用了Grad-CAM，并结合统计知识对分割结果进行了定性和定量的可视化解释。最后，建立了砂带磨削表面划痕缺陷数据集，并在此基础上进行了大量的实验研究。结果表明，该模型具有良好的分割性能和缺陷定量解释能力，准确率、召回率、精度分别达到98.80%、81.72%、81.81%、F1-score和mIoU分别达到81.42%和81.87%。

       论文创新点及主要图表

       1) 提出了一种基于深度学习(FCSNet)的带式磨削表面划痕缺陷定量解释方法；

       2) 设计了RAPCS特征提取模块，以准确定位缺陷位置；

       3) 采用Focal Tversky混合损失函数来增强模型检测极细微划痕的能力；

       4) 构建了基于Grad-CAM的可视化解释模块，对磨削表面缺陷检测结果进行了解释。

图1 基于砂带磨削表面缺陷分析的智能工艺决策系统

图2  FCSNet模型结构

图3 RAPCS模块的结构

图4 Grad-CAM可视化分析框架

图5  FCSNet的结果：(a)原图.  (b) 标注.  (c) 预测值.  (d) Grad-CAM可视化

       论文基本信息

       Guijian Xiao, Bao Zhu, Youdong Zhang, Hui Gao. FCSNet: A quantitative explanation method for surface scratch defects during belt grinding based on deep learning[J]. Computers in Industry, 2023, 144: 103793

       朱宝，重庆大学机械与运载工程学院机械工程专业硕士研究生，主要从事主要研究方向为机械加工状态监测技术、智能优化方法、深度学习和图像识别。

       成果列表如下：

       [1]  Guijian Xiao, Bao Zhu, Youdong Zhang, Hui Gao. FCSNet: A quantitative explanation method for surface scratch defects during belt grinding based on deep learning[J]. Computers in Industry, 2023, 144: 103793.