本发明属于目标检测，具体涉及一种基于多尺度特征增强的双目冰面缺陷检测系统，通过结合多尺度特征提取网络(mstg-net)、细节增强卷积模块(msdsc)和轻量化共享细节增强检测头(dsee-head)，显著提高了冰面缺陷检测的精度和效率。

　　1、随着室内冰场的广泛应用，冰面缺陷的及时检测与修复成为保障运动员安全的重要工作。然而，传统的基于人工检测的方法存在效率低、漏检率高等问题，而传统的图像处理方法虽然可以部分解决该问题，但对于冰面复杂的光学反射、缺陷类型的多样性等情况，仍然存在一定局限性。随着深度学习技术的快速发展，基于卷积神经网络的目标检测方法显示出较高的准确性和实时性。然而，在冰面缺陷检测的实际应用中，由于缺陷的多尺度特征以及冰面反光、冰碴干扰等因素，现有的深度学习模型在检测精度上仍有待提升。

　　2、为了解决上述问题，本发明提出了一种基于改进yolov8网络架构的冰面缺陷检测系统，通过多尺度特征增强网络(mstg-net)、细节增强卷积模块(msdsc)和轻量化共享细节增强检测头(dsee-head)相结合，显著提高了缺陷检测的整体性能。

　　1、本发明旨在提供一种基于深度学习的高效目标检测系统，通过引入多尺度特征提取模块(mstg-net)、细节增强卷积模块(msdsc)、轻量化共享细节增强检测头(dsee-head)，结合双目视觉技术，实现对室内冰场冰面缺陷的精准检测与面积计算。

　　2、为实现上述目的，本发明提供如下技术方案：基于深度学习的高效目标检测系统，包括：

　　3、数据采集模块：用于采集图像数据，包括从摄像头、监控视频等多种数据源获取冰面缺陷的图像。

　　4、数据增强模块：对采集到的图像进行增强处理，如旋转、翻转、对比度调节、添加噪声等，以模拟不同光照和湿度条件下的冰面状态，增加数据集的多样性。

　　5、神经网络训练模块：构建基于改进yolov8的深度学习网络，引入多尺度特征提取模块(mstg-net)、细节增强卷积模块(msdsc)、轻量化共享细节增强检测头(dsee-head)等。

　　6、其中，mstg-net用于通过多尺度卷积特征提取冰面缺陷的全局和细节特征；msdsc通过多种卷积核实现细节特征的提取；dsee-head用于提高模型在缺陷检测中的细节捕获能力。

　　7、基于双目立体视觉的检测模块：通过双目相机获取冰面图像，输入训练好的模型，结合视差计算获得缺陷的深度信息，提高缺陷定位的精度。

　　8、信息融合与分析模块：将深度信息与神经网络分割结果进行融合，精确计算缺陷的位置、深度和面积，为冰场维护提供数据支持。

　　11、引入了多尺度特征提取网络(mstg-net)和细节增强卷积模块(msdsc)，有效增强了模型对冰面缺陷的细节捕获能力，提高了检测精度。具体而言，多尺度卷积核(如1×1、3×3和5×5)通过不同的感受野来提取多种尺度的特征，确保模型在大范围缺陷与细小裂纹上的检测能力。

　　12、例如，通过msdsc模块，对特征图进行卷积处理后的特征细化可通过以下公式表示：

　　14、其中finputt为输入特征图，convi为不同尺度的卷积操作，wi为融合权重系数。该特征融合过程提高了模型对不同尺寸缺陷的敏感度，从而显著增强了细节检测效果。

　　16、通过双目相机系统实现冰面缺陷的精准定位，与神经网络分割结果结合，可以计算缺陷的面积和体积。具体的面积计算公式为：

　　18、其中a为缺陷的MK体育集团总面积，pi表示第i个像素的掩码值，apixel为每个像素对应的实际面积大小。

　　19、深度信息的计算基于双目相机的视差图，可以通过以下公式确定缺陷的深度：

　　21、其中d为深度，f为相机的焦距，b为双目相机的基线距离，d为视差。利用该公式，系统能够精准地重建缺陷的三维形态，确保缺陷位置、面积和深度的测量误差均在±0.5mm以内。

　　23、本发明的系统通过数据增强与多尺度特征提取的结合，能够在不同光照条件和复杂环境下保持高检测精度，适应多样化的冰面缺陷检测任务。针对冰面反光和缺陷边缘模糊的问题，模型通过特征金字塔网络(fpn)实现了低层次特征(如边缘信息)和高层次特征(如语义信息)的有效融合，从而提高了检测鲁棒性和准确性。

　　24、在不同光照条件下，模型的检测精度波动保持在±1.2个百分点以内，表明系统在复杂环境中的适应能力。

　　26、轻量化共享细节增强检测头(dsee-head)的引入使得模型在保持高精度的同时大幅度降低了计算开销。dsee-head通过共享卷积核减少了参数数量，并通过细节卷积对关键特征进行增强。相比传统方法，模型推理时间减少了约20％，处理一张1080p图像的时间缩短至30ms，能够适用于实时监控和检测任务。

　　2.根据权利要求1所述的冰面缺陷检测系统，其特征在于：所述数据采集模块能够从摄像头、监控视频等多种数据源获取冰面图像，以确保冰面缺陷检测数据的全面性和多样性。

　　3.根据权利要求1所述的冰面缺陷检测系统，其特征在于：所述数据增强模块通过模拟不同光照、湿度和角度等环境条件来扩充数据，以增强模型的检测鲁棒性和泛化能力。

　　4.根据权利要求1所述的冰面缺陷检测系统，其特征在于：所述信息融合与分析模块通过结合神经网络分割结果与双目视觉的深度信息，进行冰面缺陷的精确定位与面积计算，以便在后续的冰面修复过程中提供精确的数据支持。

　　5.根据权利要求1所述的冰面缺陷检测系统，其特征在于：所述检测结果输出模块能够以图形化的方式展示缺陷的位置、深度和面积信息，或者将检测结果输出到其他系统进行进一步处理，以便实现实时监控与维护管理。

　　本发明公开了一种基于深度学习的冰面缺陷检测与量化系统及方法。该系统包括数据采集模块、数据增强模块、神经网络训练模块、基于双目立体视觉的检测模块和信息融合与分析模块。首先，通过数据采集模块使用多种摄像设备获取冰面缺陷的图像数据，涵盖不同光照条件和缺陷类型。接着，数据增强模块对采集到的数据进行旋转、翻转、对比度调节和噪声添加，以提高数据多样性和神经网络的泛化能力。然后，神经网络训练模块引入了多尺度特征提取模块(MSTG‑Net)以及细节增强卷积模块(MSDSC)，通过对改进后的YOLOv8神经网络进行训练，实现对冰面缺陷的分割特征提取。基于双目立体视觉的检测模块通过双目相机采集冰面图像，结合训练好的神经网络模型，获取缺陷标记信息及深度图。最后，信息融合与分析模块结合双目立体视觉测距结果，进一步确定缺陷的三维位置、表面积大小及空间形态特征。实现了对冰面缺陷的高精度识别和定位，并且为后续的冰面修复规划提供了可靠的数据支持，具有精度高、鲁棒性强和适用性广等优点。

　　1.计算机网络安全 2.计算机仿线.网络安全；物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用