基于聯合注意力的復雜紋理瓷磚缺陷檢測方法

葉旭芳 陳梅 李暉 曹陽 王喜賓

摘 要：

復雜紋理瓷磚表面存在較多的低可視度小目標缺陷與嚴重的復雜紋理背景干擾，使應用目標檢測方法時易出現較高的誤檢率和漏檢率。為提升復雜紋理瓷磚表面缺陷檢測效率，提出了基于通道與空間聯合注意力的復雜紋理瓷磚表面缺陷檢測方案。首先通過建模深淺層特征通道間關系設計了一種選擇性特征融合方法，以提升模型對小目標缺陷的特征表達；其次，提出了通道與空間聯合注意力模塊，通過通道注意力和空間注意力來篩選關鍵特征通道和抑制紋理區域，使模型著重于學習缺陷特征以增強模型辨別缺陷與紋理的能力；最后，在復雜紋理瓷磚表面缺陷數據上進行了實驗驗證。實驗結果表明，相較于AFF（attentional feature fusion）和CBAM（convolutional block attention module）方法，選擇性特征融合方法和通道與空間聯合注意力模塊使模型檢測性能分別提高了5.3 AP、6.32 AP。最終，實驗證明了該方案分別優于現有的瓷磚檢測方法YOLOv5和紋理織物缺陷檢測AFAM方法1.32 AP、2.12 AP。

關鍵詞：表面缺陷檢測；注意力機制；特征融合；目標檢測

中圖分類號：TP391.41?? 文獻標志碼：A??? 文章編號：1001-3695（2024）03-046-0944-07doi： 10.19734/j.issn.1001-3695.2023.06.0303

Channel and spatial joint attention based defect detection method in complex texture ceramic tile

Ye Xufang1，2a， Chen Mei1，2a， Li Hui1，2a， Cao Yang2b， Wang Xibin3

（1.State Key Laboratory of Public Big Data， Guiyang 550000， China; 2.a.School of Computer Science & Technology， b.School of Mecha-nical Engineering， Guizhou University， Guiyang 550000， China; 3.School of Data Science， Guizhou Institute of Technology， Guiyang 550000， China）

Abstract：

In the complex texture of the tile surface， there are more low-visibility small defects， and the interference from the complex textured background is serious. This results high false detection and false alarm rate using traditional object detection methods. To enhance the efficiency of defect detection， this paper proposed a defect detection approach on complex textured tile surfaces based on the joint attention mechanisms of channels and spatial. Firstly， to enhance the feature expression of small defects， it proposed a selective feature fusion method by modeling the relationship between deep and shallow feature channels. Secondly， it designed a joint channel and spatial attention module that selected key feature channels and suppressed texture regions through channel and spatial attention， enabling the model to focus on learning defect features and enhancing its ability to discriminate between defects and texture. Finally， it validated the approach on a dataset of complexly textured cera-mic tile surface defects. The experimental results demonstrate that compared to the AFF and CBAM methods， the selective feature fusion method and channel & spatial joint attention achieved improvements of 5.3 AP and 6.32 AP， respectively. In addition， this paper compared the overall approach with the existing tile detection method YOLOv5 and texture fabric defect detection method AFAM. The results show that it outperforms these methods， with respective improvements of 1.32 AP and 2.12 AP.

Key words：surface defect detection; attention mechanism; feature fusion; object detection

0 引言

工業品表面缺陷與其功能缺陷密切相關。通過檢測表面缺陷篩選不合格產品，是保證生產線產品質量穩定的可靠方法之一。瓷磚生產行業得益于產業自動化的發展，生產環節均已實現自動化，但質檢環節仍大量依賴人工目視檢查［1］。人工質檢效率低。限制了瓷磚生產速度，且目視檢測缺陷重度依賴質檢者經驗，導致總體質檢水平不穩定，尤其是工人在高強度光照下長時間工作容易疲勞，準確性大幅度下降。當前瓷磚表面缺陷質檢效率低已成為阻礙瓷磚生產效率提升的主要問題［2］。

由于人工檢測表面缺陷效率低，學者們提出基于傳統機器視覺的自動化檢測方法［3］。傳統機器視覺的主要思路是對表面缺陷進行特征表征，并根據不同類別缺陷的形態差異，如邊緣、顏色、紋理等，來對表征方法不斷進行調整。張軍等人［4］根據背景與圖案的灰度差分離花紋背景與缺陷，但是僅適用于簡單規整圖案花紋。Hou等人［5］通過分析織物圖像包含的周期性紋理頻譜，提出了一種二維指數分析方法來分解紋理，進而檢測織物表面缺陷，但是依賴于織物表面圖案簡單且重復的特性。上述基于傳統計算機視覺的檢測方法都在缺陷區域清晰、紋理背景存在形態規律的圖像數據上進行人工優化設計，不能實現無規律形態缺陷的檢出［6］。

為解決傳統計算機視覺的缺陷檢測方法存在的新形態缺陷檢測泛化性差的問題［7～11］，研究者在工業表面缺陷檢測領域引入了深度學習方法。基于深度學習的目標檢測算法可以同時預測目標類別與位置坐標，非常符合工業表面缺陷檢測場景下需要同時獲得缺陷類別與所在區域位置的需求，已經成為了工業品表面缺陷檢測方法的主要方向［12］。

然而，在復雜紋理瓷磚表面缺陷檢測領域中，表面缺陷的檢測難度遠大于常規工業品。主要體現于存在大量可視度低的難檢測小尺寸缺陷和復雜紋理背景干擾嚴重兩個方面［6］。而現有基于YOLOv5瓷磚表面缺陷檢測算法［2］，只考慮背景與缺陷對比度較高的瓷磚數據集，并未考慮復雜紋理瓷磚中的檢測性能。因此，接下來，從小尺寸缺陷檢測和復雜紋理干擾抑制兩個方面探討目標檢測方法在工業品表面缺陷檢測領域的研究工作。

首先，針對可視度低、檢測難的小尺寸缺陷，研究者主要通過融合淺層空間特征與深層語義特征、增加目標上下文特征信息等方法，來改善小目標的特征表示，從而提升小目標檢測性能［13］，以減少小尺寸缺陷上的漏檢情況。例如特征金字塔網絡（feature pyramid network，FPN）通過將骨干網絡各個stage特征圖從上至下融合，融合深層語義與淺層特征空間信息，為小目標生成更強的特征表征［14］。Dai等人［15］認為特征的初始融合方式極大地決定了融合后特征的語義表達，FPN的性能瓶頸是簡單地融合深淺層特征，所以提出具有雙卷積分支的注意力特征融合AFF（attentional feature fusion，AFF）方法，通過注意力機制來動態地融合深淺層特征。

當融合不同層特征時，由于尺度和語義的差異，簡單融合勢必會減弱特征的表達能力［16］。而AFF方法忽略了深淺層特征在尺度和語義上的不一致性，導致根據簡單融合后的初始特征計算而來的特征融合權重，無法準確地表達淺層和深層特征中的關鍵特征分布。因此，基于融合前特征計算融合權重，能更好地捕捉特征之間的關聯性，從而提高表面缺陷檢測的性能。

注意力機制抑制紋理干擾的本質是基于特征輸入的動態權重調整機制，通過權重抑制圖像中的不相關區域，突出重要區域［17］。注意力機制主要有通道注意力和空間注意力兩類。通道注意力關注目標是什么，適合分類任務，通過調整特征通道權重能讓模型關注包含更多關鍵信息的特征通道［18～20］，例如SENet［21］。而空間注意力關注目標在哪里，通過調整特征空間上關鍵位置特征權重，聚合關鍵的位置特征，適合密集型預測任務，如目標檢測與語義分割［17］。SENet通過兩層線性層建模全局特征通道間的關系，以捕捉關鍵的特征通道。由于需要對所有特征通道間關系進行建模，SENet計算量偏大，所以在通道關系建模前縮減特征通道數為原有的1/16以減少計算量，導致存在一定的信息損失情況［19］。為了進一步抑制不重要特征，CBAM（convolutional block attention module）方法［22］以通道注意力SENet為基礎，增加了全局最大池化操作以豐富通道特征中的目標形態信息，并引入了卷積作為空間注意力機制以篩選關鍵位置區域特征。

注意力機制在表面缺陷檢測中的作用是捕捉特征中的依賴關系，并將檢測重點集中在相互間具有重要依賴關系的特征上［12］。然而，Wang等人［23］指出，工業品表面的紋理區域往往比缺陷占據更大的特征圖區域，而SENet、CBAM的全局通道關系建模方式中，計算的權重偏向于具有較大顯著性的目標，并且隨著全局通道特征建模過程，影響到所有特征通道，導致缺陷特征被背景紋理噪聲特征淹沒。

為解決不顯著缺陷被背景紋理淹沒的問題，Wang等人［23］在CBAM基礎上提出了自適應融合注意力方法（adaptively fused attention module，AFAM）。AFAM方法通過并行化通道與空間注意力分支、多次合并橫向信息到空間注意力中，以提升模型對低顯著性缺陷的關注，抑制織物表面復雜背景圖案對檢測帶來的干擾。AFAM方法增加缺陷特征信息的方式，無法真正解決全局通道間關系建模過程中，顯著性背景特征導致的干擾問題。

總體而言，CBAM和AFAM方法中的全局通道間關系建模容易導致高權重的顯著性背景特征干擾低顯著性的缺陷特征。在復雜紋理瓷磚表面，紋理比缺陷更為顯著，因此采用全局特征通道間關系建模并不能有效地突出缺陷檢測。此外，復雜紋理瓷磚表面的紋理和劃傷缺陷都相對細長，因此需要采用具有較大感受野的注意力方法來進行長距離依賴建模。然而，CBAM和AFAM方法中的空間注意力都屬于感受野較狹窄的卷積網絡，不適合進行長距離依賴建模。因此，對于復雜紋理瓷磚表面的缺陷檢測，應建模特征通道間的局部依賴關系，并使用更適合處理長距離依賴的空間注意力方法。

從復雜紋理瓷磚表面缺陷檢測領域中，小尺寸缺陷難以檢測和復雜紋理背景干擾嚴重兩個問題出發，對現有的小目標檢測方法AFF和干擾抑制方法CBAM進行進一步改進，以提高復雜紋理瓷磚表面缺陷檢測的性能。其主要貢獻有：a）通過建模深淺層特征通道間的關系，提出了選擇性特征融合方法，以增強模型的小尺寸缺陷特征表達能力；b）為了提升不顯著缺陷的檢出率并降低紋理背景干擾，提出了通道與空間聯合注意力模塊（channel & spatial joint attention module，CSAM）；c）基于易受紋理背景干擾的紋理瓷磚缺陷圖像數據，以AFF和CBAM方法為基準，分別驗證了提出的選擇性特征融合方法和CSAM的有效性。其次，以瓷磚表面缺陷檢測算法YOLOv5和AFAM方法為基準，驗證了整體檢測方案的有效性。

1 基礎知識

1.1 損失函數

focal loss［24］損失函數通過調整各個難易樣本在模型學習過程的權重，使模型充分學習困難樣本特征，進而獲得了性能提升。下面給出focal loss定義：

3 實驗

為驗證選擇性特征融合方法與CSAM模塊方法在復雜紋理瓷磚表面缺陷檢測中的有效性，實驗在RetinaNet［24］上采用消融實驗法比較了同類工作，并在基于PyTorch的mmdetection框架上完成了所有實驗。所有實驗方案均采用相同的實驗配置，相關實驗數據均已給出。實驗平臺為Ubuntu 18.04 LTS，使用NVIDIA RTX A6000 GPU進行計算加速。

3.1 數據集

復雜紋理瓷磚數據集來源于阿里云天池［27］，實驗中僅使用易受紋理背景干擾的缺陷圖像數據，數據圖像共2 346張，包含7 298條bbox標注數據，如表1所示。

為擴增訓練數據并降低原始高分辨率瓷磚圖像訓練過程中的高顯存需求，同時避免影響缺陷區域的可視度，對圖像進行了數據隨機裁剪與重采樣處理。首先將圖像按長寬比例縮放圖像到1 600像素，并根據缺陷位置隨機裁剪出長寬為1 200像素的區域作為最終訓練的樣本；再對訓練數據進行三倍重采樣以增加缺陷裁剪區域的樣本數量；最后對裁剪出的樣本使用隨機圖像變換策略對圖像進行預處理，以避免過擬合問題。實驗中，隨機圖像變換策略包含圖像質量壓縮、隨機圖像平滑、中值濾波平滑、圖像銳化與圖像顏色通道重排、圖像隨機旋轉與隨機亮度調整、隨機顏色調整與自適應直方圖均衡化、隨機圖像飽和度與高斯噪聲、使用emboss濾波器提取輪廓并疊加到原圖。上述圖像預處理工作開展基于mmdetection與albumenta-tion［28］庫。

3.2 評價指標

實驗采取平均精準度（average precision，AP）衡量檢測模型性能，并根據召回率（recall）指標衡量模型在降低缺陷漏檢方面的表現。AP指標由準確率（precision，Ppre）、召回率（recall，Rrecall）計算而來，表示召回率為橫坐標、準確率為縱坐標繪制的曲線下方面積，各類別AP均值為mAP，定義為

AP=∫10Ppre（Rrecall）dRrecall（23）

其中：Tp為正確分類的缺陷錨框數量；Fp為紋理背景被分類為缺陷錨框的數量；FN為缺陷被錯誤分類的個數。

3.3 消融實驗

為驗證檢測方法中各個部分設計的有效性，使用紋理瓷磚數據中15%圖像作為驗證集，分別對各個模塊進行評估。在RetinaNet［24］檢測網絡上設計了消融實驗方案與其一一對應，主要包含以下三個部分。首先，以PVTv2網絡和PVTv2+AFF方法為基準，驗證了選擇性特征融合方法的有效性；其次，以PVTv2、PVTv2+SENet和PVTv2+ CBAM作為基準，評估了CSAM模塊的有效性，并對其進行了可視化分析，將CSAM方法添加到RetinaNet、YOLOv5與FCOS［29］三種目標檢測算法中，評估了CSAM模塊的適用性；最后，將選擇性特征融合以及CSAM進行整合，以現有瓷磚缺陷檢測方法YOLOv5［2］以及紋理織物缺陷檢測方法AFAM作為基準，評估整體方案的有效性。

3.3.1 選擇性特征融合方法

為驗證選擇性特征融合方法對提升小尺寸缺陷目標檢測性能的有效性，進行了如圖7所示的實驗。通過圖7的對比實驗可知，在檢測性能mAP指標上，相較于初始PVTv2網絡以及基準PVTv2+AFF方法，使用選擇性特征融合方法增強小目標表達后，分別提升了3.18 AP、5.3 AP的檢測性能。進一步分析，選擇性特征融合方法帶來的主要性能提升集中在白點、深色塊兩類點塊狀小尺寸缺陷。白點和深色缺陷是小尺寸目標缺陷，選擇性特征融合方法對該兩類缺陷檢測性能的提升（相對初始PVTv2網絡分別提升了6.9 AP，14.1 AP），證明了選擇性特征融合方法能抑制可視度低的小尺寸缺陷漏檢率高的問題。

3.3.2 CSAM模塊

為證明紋理抑制方法CSAM的有效性，在復雜紋理瓷磚數據集上進行了如表2所示的實驗。由表2可知，在ResNet101+CBAM網絡上進行復雜紋理表面缺陷檢測，mAP為57.95%，網絡改為PVTv2，mAP提升至60.2%。在PVTv2的基礎上，采用CSAM模塊進行紋理背景抑制，檢測性能mAP有2.4 AP的提升，而相對于SENet、CBAM注意力方法，分別提升了3.14 AP、6.32 AP。這說明通道間建模的局部方式比全局方式（SENet、CBAM）更適用于紋理抑制場景，能避免全局通道間關系建模方式中存在的不顯著缺陷特征被更顯著的紋理背景干擾的問題。

接下來，驗證CSAM模塊在各目標檢測算法的適用性。目標檢測算法根據是否指定預測錨框尺寸分為Anchor Base和Anchor Free兩類［30］。實驗選擇Anchor Base算法RetinaNet、YOLOv5，以及Anchor Free算法FCOS［29］，并將CSAM模塊添加到這三種目標檢測算法，通過比較各個算法的性能提升幅度，評估CSAM模塊的適用性，實驗結果如圖8所示。

為進一步觀察注意力機制對模型關注區域的影響，使用Layer-CAM［31］可視化模型檢測缺陷中的關鍵區域，如圖9所示。通過關鍵區域的特征權重可視化對比可以看出，ResNet101［32］+CBAM方案在復雜紋理背景干擾下，僅突出完整劃傷缺陷的左側部分，且未檢出左下方的低可視度小尺寸劃傷目標。PVTv2方案相較于ResNet101［32］+CBAM方案，重點關注區域更為狹長，學習到了細長的劃傷缺陷存在的位置依賴關系。在PVTv2方案添加通道注意力部分后，其關注區域左移，與劃傷缺陷主體更為接近，在復雜紋理背景中進一步學習到劃傷缺陷的關鍵主體位置。而PVTv2方案添加空間注意力部分后，檢測出了其他方案沒有檢測到的左下角低可視度小尺寸劃傷缺陷，表明能更充分地學習特征細節信息。對模型關鍵區域的可視化證明了CSAM模塊局部通道建模策略和長距關系建模設計在抑制無關紋理區域的有效性。

3.3.3 整體方案

本節將選擇性特征融合方法以及通道與空間聯合注意力CSAM模塊整合到PVTv2中，并驗證其在瓷磚表面缺陷檢測場景下的有效性。實驗選擇了現有的瓷磚缺陷檢測方法YOLOv5［2］、Wang等人［23］提出的在織物表面缺陷檢測中提出的AFAM注意力方法，在復雜紋理瓷磚數據中的性能表現作為基準。實驗結果如表3所示。實驗結果表明，相對于ResNet101、YOLOv5和PVTv2+AFAM，整體方案分別提升了6.64 AP、1.32 AP、2.12 AP。這表明整體方案在檢測復雜紋理瓷磚表面缺陷上擁有更優的性能，證明了其有效性。

接下來，對整體方案的計算量與參數量進行比較分析。設置圖像輸入尺寸為1200×1200像素，計算了整體方案與現有方案的計算量與參數量，如表4所示。整體方案的計算量為265.16 G，高于YOLOv5與PVTv2+AFAM方法，運算速度更慢。參數量為23.02 M，高于PVTv2+AFAM方法的22.6 M，低于YOLOv5方法的76.77 M，因此顯存占用高于PVTv2+AFAM，低于YOLOv5方法。結果表明，整體檢測方案的運算速度慢于大部分現有方案，參數量僅多于原始PVTv2網絡、PVTv2+AFAM方法。

4 結束語

針對復雜紋理瓷磚表面缺陷檢測場景，目標檢測方法面臨小目標缺陷多以及復雜紋理背景干擾嚴重的挑戰，提出了基于注意力機制的復雜紋理瓷磚缺陷檢測方法。首先通過深淺層特征通道間的關系建模來選擇特征融合區域，提高模型在小目標缺陷的特征表達；其次，通過通道注意力和空間注意力來篩選關鍵特征通道和抑制紋理區域，使模型著重于缺陷特征學習以增強模型辨別缺陷與紋理的能力；最后，在易受紋理背景干擾的復雜紋理瓷磚缺陷圖像數據中驗證了復雜紋理瓷磚檢測整體方案的有效性。實驗結果表明，選擇性特征融合方法和通道與空間聯合注意力方法相較于AFF和CBAM方法分別提高了5.3 AP和6.32 AP。此外，整體方法與瓷磚檢測方法YOLOv5和紋理織物缺陷檢測方法AFAM相比，整體方案優于這些方法，分別提高了1.32 AP和2.12 AP。后續可以考慮將紋理干擾下的瓷磚缺陷檢測算法優化工作應用于其他種類的紋理工業品進行表面缺陷檢測，如織物、合成木板。

參考文獻：

［1］歐陽周，張懷亮，唐子暘，等. 復雜紋理瓷磚表面缺陷檢測算法研究 ［J］. 西北工業大學學報，2022，40（2）： 414-421. （Ouyang Zhou，Zhang Huailiang，Tang Ziyang，et al. Research on defect detection algorithm of complex texture ceramic tiles based on visual attention mechanism［J］. Journal of Northwestern Polytechnical University，2022，40（2）： 414-421.）

［2］王淑青，頓偉超，黃劍鋒，等. 基于YOLOv5的瓷磚表面缺陷檢測［J］. 包裝工程，2022，43（9）： 217-224. （Wang Shuqing，Dun Weichao，Huang Jianfeng，et al. Ceramic tile surface defect detection based on YOLOv5［J］. Packing Engineering，2022，43（9）： 217-224.）

［3］權小霞，李軍華，汪宇玲. 基于局部方差加權信息熵的瓷磚表面缺陷檢測［J］. 中國陶瓷，2019，55（10）： 46-55. （Quan Xiaoxia，Li Junhua，Wang Yuling. Tile surface defect detection based on local variance weighted information entropy［J］. China Ceramics，2019，55（10）： 46-55.）

［4］張軍，張海云，趙玉剛，等. 基于形態學和小波變換的瓷磚缺陷邊緣檢測［J］. 計算機仿真，2019，36（1）： 462-465，474. （Zhang Jun，Zhang Haiyun，Zhao Yugang，et al. Tile defects detection based on morphology and wavelet transformation［J］. Computer Simulation，2019，36（1）： 462-465，474.）

［5］Hou Yuan，Cuyt A，Lee W S，et al. Decomposing textures using exponential analysis［C］// Proc of IEEE International Conference on Acoustics，Speech and Signal Processing. Piscataway，NJ： IEEE Press，2021： 1920-1924.

［6］Luo Dongliang，Cai Yuxuan，Yang Zihao，et al. Survey on industrial defect detection with deep learning［J］. Scientia Sinica Informations，2022，52（6）： 1002-1039.

［7］趙朗月，吳一全. 基于機器視覺的表面缺陷檢測方法研究進展［J］. 儀器儀表學報，2022，43（1）： 198-219. （Zhao Langyue，Wu Yiquan. Research progress of surface defect detection methods based on machine vision［J］. Chinese Journal of Scientific Instrument，2022，43（1）： 198-219.）

［8］Liang Qiaokang，Zhu Wei，Sun Wei，et al. In-line inspection solution for codes on complex backgrounds for the plastic container industry［J］. Measurement，2019，148： 106965.

［9］Deitsch S，Christlein V，Berger S，et al. Automatic classification of defective photovoltaic module cells in electroluminescence images［J］. Sol Energy，2019，185： 455-468.

［10］Zhang Zhifen，Wen Guangrui，Chen Shanben.Weld image deep learning-based on-line defects detection using convolutional neural networks for Al alloy in robotic arc welding［J］. Journal of Manufacturing Processes，2019，45： 208-216.

［11］Ma Liyong，Xie Wei，Zhang Yong. Blister defect detection based on convolutional neural network for polymer lithium-ion battery［J］. Applied Science，2019，9（6）： 1085.

［12］王一鳴，杜慧敏，張霞，等. 視覺注意力網絡在工件表面缺陷檢測中的應用［J］. 計算機輔助設計與圖形學學報，2019，31（9）： 1528-1534. （Wang Yiming，Du Huiming，Zhang Xia，et al. Application of visual attention network in workpiece surface defect detection［J］. Journal of Computer-Aided Design & Computer Graphics，2019，31（9）： 1528-1534.）

［13］Liang Yingjie，Han Yueying，Jiang Feng. Deep learning-based small object detection： a survey［C］// Proc of the 8th International Confe-rence on Computing and Artificial Intelligence. New York： ACM Press，2022： 432-438.

［14］Chen Junying，Liu Shipeng，Zhao Liang，et al. Small object detection combining attention mechanism and a novel FPN［J］. Journal of Intelligent & Fuzzy Systems，2022，42（4）： 3691-3703.

［15］Dai Yimian，Gieseke F，Oehmcke S，et al. Attentional feature fusion［C］// Proc of IEEE/CVF Winter Conference on Applications of Computer Vision. Piscataway，NJ： IEEE Press，2021： 3560-3569.

［16］Guo Chaoxu，Fan Bin，Zhang Qian，et al. AugFPN： improving multi-scale feature learning for object detection［C］// Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway，NJ： IEEE Press，2020： 12595-12604.

［17］Guo Menghao，Xu Tianxing，Liu Jiangjiang，et al. Attention mechanisms in computer vision： a survey［J］. Computational Visual Media，2022，8（3）： 331-368.

［18］Qin Zequn，Zhang Pengyi，Wu Fei，et al. FcaNet： frequency channel attention networks［C］// Proc of IEEE/CVF International Conference on Computer Vision. Piscataway，NJ： IEEE Press，2021： 783-792.

［19］Wang Qilong，Wu Banggu，Zhu Pengfei，et al. ECA-Net： efficient channel attention for deep convolutional neural networks［C］// Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway，NJ： IEEE Press，2020： 11534-11542.

［20］Lee H，Kim H，Nam H，et al. SRM： a style-based recalibration mo-dule for convolutional neural networks［C］// Proc of IEEE/CVF International Conference on Computer Vision. Piscataway，NJ： IEEE Press，2019： 1854-1862.

［21］Zhong Xian，Gong Oubo，Huang Wenxin，et al. Squeeze and excitation wide residual networks in image classification［C］// Proc of IEEE International Conference on Image Processing. Piscataway，NJ： IEEE Press，2019： 395-399.

［22］Woo S，Park J，Lee J，et al. CBAM： convolutional block attention module［C］// Proc of European Conference on Computer Vision. Berlin： Springer-Verlag，2018：3-19.

［23］Wang Jin，Yang Jingru，Lu Guodong，et al. Adaptively fused attention module for the fabric defect detection［J］. Advanced Intelligent Systems，2023，5（2）： 2200151.

［24］Lin T Y，Goyal P，Girshick R，et al. Focal loss for dense object detection［C］// Proc of IEEE International Conference on Computer Vision. Piscataway，NJ： IEEE Press，2017： 2999-3007.

［25］Wang Wenhai，Xie Enze，Li Xiang，et al. PVTv2： improved baselines with pyramid vision transformer［J］. Computational Visual Media，2022，8（3）： 415-424.

［26］Shen Zhuoran，Zhang Mingyuan，Zhao Haiyu，et al. Efficient attention： attention with linear complexities［C］// Proc of IEEE/CVF Winter Conference on Applications of Computer Vision. Piscataway，NJ： IEEE Press，2021： 3531-3539.

［27］天池. 瓷磚瑕疵檢測數據集 ［EB/OL］. （2021-09-09）. https：//tianchi.aliyun.com/dataset/110088. （Tianchi. Tile defect detection data set ［EB/OL］. （2021-09-09）. https：//tianchi.aliyun.com/dataset/ 110088.）

［28］Buslaev A，Iglovikov V，Khvedchaenya E，et al. Albumentations： fast and flexible image augmentations［J］. Information，2020，11（2）：125.

［29］Tian Zhi，Shen Chunhua，Chen Hao，et al. FCOS： a simple and strong anchor-free object detector［J］. IEEE Trans on Pattern Analysis and Machine Intelligence，2020，44（4）： 1922-1933.

［30］Zou Zhengxia，Chen Keyan，Shi Zhenwei，et al. Object detection in 20 years： a survey［J］. Proceedings of the IEEE，2023，111（3）：257-276.

［31］Jiang Pengtao，Zhang Changbin，Hou Qibin，et al. Layer-CAM： exploring hierarchical class activation maps for localization［J］. IEEE Trans on Image Processing，2021，30： 5875-5888.

［32］He Kaiming，Zhang Xiangyu，Ren Shaoqing，et al. Deep residual learning for image recognition［C］// Proc of IEEE Conference on Computer Vision and Pattern Recognition. Piscataway，NJ： IEEE Press，2016： 770-778.