一种基于深度学习的集装箱底板表面缺陷智能检测方法

本发明涉及工业无损检测与计算机视觉技术领域，具体公开一种基于深度学习的集装箱底板表面缺陷智能检测方法。该方法通过激光雷达与线扫相机同步采集数据，对点云补全遮挡区域并执行坐标归一化生成预处理数据；构建轻量级特征对齐网络实现跨模态特征映射与像素级误差校正；采用改进PointNet++网络分割缺陷区域并重建三维模型；提取缺陷几何参数结合材料属性进行应力模拟与寿命预测；聚合多港口安全寿命数据构建联邦框架更新模型参数；基于误检案例合成物理真实的缺陷样本注入网络训练。本发明攻克传统二维检测漏检内部缺陷的瓶颈，显著提升缺陷检出率与量化精度，支持集装箱全生命周期安全评估，满足港口自动化巡检的高效需求。