基于改进DETR的工业齿轮缺陷智能检测系统

1. 项目概述：工业齿轮缺陷检测的智能化升级

在机械制造领域，齿轮作为动力传递的核心部件，其表面质量直接影响设备寿命和运行安全。传统人工检测方法存在效率低（每人每天仅能检测200-300个齿轮）、漏检率高（约15%）等问题。本项目基于改进DETR算法，开发了一套工业级齿轮表面缺陷智能检测系统，实现了对11类常见缺陷的自动化识别。

系统技术栈采用"PyTorch+DETR+PySide6"架构，主要创新点包括：

1. 针对齿轮几何特征优化的空间感知注意力机制
2. 融合多尺度特征的自适应特征金字塔
3. 注入领域知识的类别嵌入模块
4. 支持六种风格的交互式前端界面

实测表明，系统在工厂环境下的检测速度达到23FPS（1080P分辨率），mAP达到0.836，较传统人工检测效率提升40倍，缺陷检出率提高32%。

2. 核心算法解析：改进DETR的三大创新

2.1 空间感知注意力机制

原始DETR的全局注意力在齿轮检测中存在两个问题：

1. 均匀计算所有区域注意力，浪费计算资源
2. 忽略齿轮特有的几何特征

改进后的注意力公式：

python复制def spatial_aware_attention(Q, K, V, S):
    """
    Q: 查询矩阵 [N, d_k]
    K: 键矩阵 [N, d_k] 
    V: 值矩阵 [N, d_v]
    S: 空间编码矩阵 [N, N]
    """
    attn_scores = (Q @ K.T) / sqrt(d_k) + S  # 加入空间编码
    attn_weights = softmax(attn_scores, dim=-1)
    return attn_weights @ V

空间编码矩阵S的构建策略：

1. 基于齿轮CAD模型生成齿面区域热力图
2. 对齿根、齿顶等易损区域赋予更高权重
3. 采用高斯核函数平滑权重过渡

2.2 自适应多尺度特征融合

齿轮缺陷在不同尺度下表现各异：

• 宏观尺度：断裂、齿形误差
• 微观尺度：点蚀、表面划痕

特征融合公式：

python复制class AdaptiveFusion(nn.Module):
    def __init__(self, channels):
        super().__init__()
        self.weights = nn.Parameter(torch.ones(3))
        self.conv = nn.Conv2d(channels*3, channels, 1)

    def forward(self, feats):
        # feats: [F1, F2, F3], 不同尺度特征
        norm_weights = F.softmax(self.weights, 0)
        fused = sum(f*w for f,w in zip(feats, norm_weights))
        return self.conv(fused)

2.3 领域知识引导的类别嵌入

将齿轮工程知识编码为类别嵌入向量：