仪器仪表学报

作者：李季桐，刘杰，杨娜，王子宁

单位：李季桐,沈阳工业大学机械工程学院沈阳110870,1114221315@qq.com,刘杰,沈阳工业大学机械工程学院沈阳110870,liuj@sut.edu.cn,杨娜,沈阳工业大学机械工程学院沈阳110870,,王子宁,沈阳工业大学机械工程学院沈阳110870,

关键词：SwinTransformer;ConvNeXt;缺陷分类;多尺度特征提取;自适应层次特征融合;多层倒残差连接

基金：辽宁省教育厅面上项目（LJ212410142026）资助

金属缺陷检测作为工业质量控制的关键环节，其检测精度直接影响制造业智能化进程。针对现有特征融合模块存在特征信息丢失、跨尺度信息交互不足以及识别准确率低等问题，提出一种基于层次化多尺度特征融合的分类模型。该模型通过融合SwinTransformer与ConvNeXt两种网络架构的互补优势，构建了具有层次化感知能力的特征学习网络。其中，SwinTransformer采用移位窗口机制和多级自注意力机制有效捕获全局特征，ConvNeXt通过深度可分离卷积和高效卷积操作精准提取局部特征。为实现全局与局部的高效融合，创新性地设计自适应层次特征融合层，该层采用通道注意力机制、空间注意力机制和多尺度融合策略，实现全局与局部特征在多层次上的有效融合，同时在该层中增加多层倒残差融合模块，通过动态调整提取特征信息，以确保特征融合的精准性与可靠性。为验证模型的有效性，在公开NEU-DET和GC10-DET数据集上进行实验，准确率分别达到99.6%和96.9%。为验证模型的泛化性，在自建数据集上进行实验，准确率达到99.8%，与目前主流算法ConvNeXt、Swintransformer、VGG16、ResNet34模型相比，准确率分别提升3.4%、2.3%、4.3%、2.7%。实验结果表明，HMFF模型在金属缺陷检测领域具有更显著的分类准确性和鲁棒性，为工业场景下的高精度缺陷检测提供了新的研究方法。

来源：2025年第3期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第3期