一种基于深度学习的高反光金属缺陷识别方法

本发明公开一种基于深度学习的高反光金属缺陷识别方法，该方法的数据集通过Lableme完成标注并利用物理渲染引擎Blender Cycles制作数据增广训练集，优化对少量样本的识别率；加入改进后的抗高反光物理模型ARFM以改进特征提取；改进YOLOv11的颈部特征融合网络为Impro_Slim‑Neck网络；构建多维度特征融合和形状自校准的ACFM模块用于改进YOLOv11中CBS模块特征表示能力；两阶段渐进式训练改进后的YOLOv11网络以完成金属缺陷识别。该方法有效增强了对于高反光场景下金属表面缺陷的目标检测能力，对于金属缺陷检测识别任务有更高的鲁棒性、识别率和准确率。