1.一种基于改进YOLOv10的轴承表面缺陷检测方法，其特征在于，该方法包括：S1，收集轴承缺陷图像，该图像包括轴承凹槽图像、轴承磨损图像和轴承划痕图像；

S2，对收集的轴承缺陷图像进行数据增强和预处理；

S3，将经过数据增强和预处理的轴承缺陷图像构建成完整的数据集；

S4，基于YOLOv10模型进行改进，引入EMAttention注意力模块、YOLOv9的SPPELAN模块，并使用FasterNeT替换Backbone，构建改进的轴承缺陷检测模型，所述改进的轴承缺陷检测模型为改进的YOLOv10模型；

S5，将构建的轴承缺陷数据集输入改进的YOLOv10模型中进行训练，通过优化损失函数、添加注意力机制和特征融合模块，优化改进的YOLOv10模型的检测精度和泛化能力；

S6，在测试集上，对训练好的YOLOv10模型和改进后的YOLOv10模型进行测试，进行实验结果对比，验证两者在检测轴承缺陷时的准确性和效率，包括缺陷位置、缺陷类别和置信度；

S7，将改进的YOLOv10模型与主流算法进行对比，综合评价不同模型的检测性能、计算效率和参数数量；

在步骤S4中，构建改进的轴承缺陷检测模型，包括：

(4.1)配置环境：对YOLOv10模型的源码使用Anaconda建立虚拟环境；

(4.2)数据输入：将构建好的轴承表面缺陷数据集输入YOLOv10网络结构模型，包括获取轴承表面缺陷图像、轴承表面缺陷图像标签、YOLOv10网络结构模型预训练权重、YOLOv10网络结构模型配置文件；

(4.3)配置超参数：设定学习率、批样本数量、迭代次数、图像通道数、图片裁剪尺寸和学习率动量最优的超参数组合；

(4.4)采用的原始模型为YOLOv10，对YOLOv10网络结构模型进行改进；

在步骤(4.4)中，对YOLOv10网络结构模型进行改进，包括：(4.4.1)引入注意力模块EMA；

(4.4.2)使用YOLOv9的SPPELAN模块；

(4.4.3)替换Backbone为FasterNeT；

在步骤(4.4.1)中，引入注意力模块EMA，包括：(4.4.1.1)模块设计：注意力模块EMA将输入特征图沿通道方向划分为多个子组；每个子组在并行的子网络中处理，包括一个1×1卷积分支和一个3×3卷积分支；

(4.4.1.2)运行1×1卷积分支和一个3×3卷积分支，包括：(ⅰ)并行子网络：1×1卷积分支负责处理全局信息以重新校准每个并行分支中的通道权重；具体实现步骤如下：(ⅰ.1)1×1卷积操作，表达式为：

Fglobal＝Conn1×1(Finput)    (2)式中，Fglobal为提取的全局特征图，COnv1×1为1×1卷积操作，Finput为输入特征图；

(ⅰ.2)全局平均池化，表达式为：

Gpool＝Global Average Pooling(Fglobal)     (3)式中，Gpool为全局平均池化后的特征，表示每个通道的全局特征；

(i.3)全连接生成权重，表达式为：

Wcalibrated＝Fully Connected(Gpool)     (4)式中，Wcalibrated为每个通道的权重，通过全连接层生成；

(i.4)通道加权校准，表达式为：

Fcalibrated＝Finput×Wchanel    (5)式中，Fcalibrated为重新校准后的特征图，通过将通道权重与输入特征图相乘实现校准；

Wchannel为每个通道的权重，通过全连接层生成；

(ii)3×3卷积分支则通过跨维度交互，进一步聚合两个并行分支的输出特征，以捕获像素级的成对关系；具体实现步骤如下：(ii.1)3×3卷积操作，表达式为：

F3×3＝Conv3×3(Finput)      (6)式中，F3×3为3×3卷积后的特征图，Conv3×3为3×3卷积操作；

(ii.2)跨纬度交互和特征聚合，表达式为：

Faggregated＝F1×1+F3×3    (7)式中，Faggregated为聚合后的特征图，F1×1为卷积后的特征图；

(ii.3)捕获像素级的成对关系，表达式为：

式中，Apixel为注意力权重，通过聚合后的特征图进行逐元素点积操作生成；sigmoid()为激活函数，T为指数；

(ii.4)应用里权重，表达式为：

Ffinal＝Faggregated×Apixel     (9)式中，Ffinal为最终的特征图，通过将注意力权重应用到聚合后的特征图上，增强了像素级的成对关系；

(4.4.1.3)跨空间学习：通过将两个并行子网络的输出特征图融合在一起，通过矩阵点积操作来捕捉像素级别的成对关系，1×1卷积分支负责处理全局信息并重新校准每个并行分支中的通道权重，而3×3卷积分支则通过跨维度交互进一步聚合两个并行分支的输出特征；特征图融合通过逐元素相加或拼接来实现；通过矩阵点积操作生成相关性矩阵，捕捉到像素级别的成对关系，并通过激活函数生成注意力权重，应用于特征图上，增强相关性强的像素对，抑制相关性弱的像素对。

2.根据权利要求1所述的基于改进YOLOv10的轴承表面缺陷检测方法，其特征在于，在步骤S2中，对收集的轴承缺陷图像进行数据增强和预处理，包括：采用伽马变换技术调整图像的亮度和对比度，减少缺陷图像中的背景噪声，增强模型的鲁棒性，转换公式为：γ

I′＝c×I    (1)

式中，I′为伽马变换后的像素值，c为用于将变换后的像素值缩放到可能范围的常数，I为原始图像中的像素值，γ为用于亮度和对比度调整的伽马值；

在步骤S3中，构建成完整的数据集，包括：

(3.1)缺陷种类划分：将样本扩增和数据增强后的轴承表面缺陷图像数据按照种类的不同，划分为凹槽、擦伤和划痕共三类；

(3.2)划分数据集：将样本扩增和数据增强的轴承表面缺陷图像数据划分为训练集、测试集和验证集，比例为8:1:1；

(3.3)图像标注：利用labelimg图像标注工具对图像进行多点标注，在缺陷区域的轮廓采取多点标注的方式将实际缺陷区域分割出来；

(3.4)数据读取：利用Python软件中PyTorch库的torch.utils.data函数进行数据集读取。

3.根据权利要求1所述的基于改进YOLOv10的轴承表面缺陷检测方法，其特征在于，在步骤(4.4.2)中，使用YOLOv9的SPPELAN模块，包括：a、模块设计：SPPELAN模块使用一个初始的卷积层cv1减少输入数据的通道数；

b、多尺度最大池化：将输出应用于三个并行的最大池化层cv2、cv3、cv4，每个最大池化层具有不同的空间感受野，池化层的输出随后被连接起来，形成包含多尺度信息的特征图，实现多尺度最大池化；具体过程如下：b.1、输入特征图处理：通过一个初始的卷积层cv1进行处理，减少通道数和提取初步特征；

b.2、多尺度最大池化：将初步处理后的特征图同时应用于三个并行的最大池化层cv2、cv3、cv4；每个最大池化层具有不同的空间感受野，通过设置不同的填充和步长实现；

b.3、特征图连接：将三个并行最大池化层的输出特征图进行连接操作，形成包含多尺度信息的特征图；

c、特征融合：通过一个卷积层cv5将连接后的特征图转换为所需的输出通道数，具体过程如下：c.1、输入特征图；

c.2、卷积层cv5设计，包括卷积核大小、卷积核数量；

c.3、卷积操作，包括：

c.3.1、输入特征图：输入特征图X的尺寸为：H×W×C，其中，H为高度，W为宽度，C为通道数；

c.3.2、卷积核：1×1卷积核K的尺寸为：1×1×C×N，其中，N为输出特征图的通道数；对于输入特征图X中的每个位置(i，j)，输出特征图Y中对应位置的值通过以下公式计算：式中，Yi，j，n为输出特征图在位置(i，j)和通道n的值，Xi，j，c为输入特征图在位置(i，j)和通道c的值，K1，1，c，n为1×1卷积在通道c和通道n的权重；

d、通道数转换，包括：

d.1、捕捉输入数据的不同空间上下文信息；

d.2、融合以产生丰富的特征表示，包括：多尺度特征图拼接，将每个池化层的输出特征图在通道维度上进行拼接，形成包含多尺度信息的特征图，表达式为：Fmulti‑scale＝Concat(Fcv2,Fcv3,Fcv4)      (11)式中，Fmulti‑scale为拼接后的多尺度特征图，Concat()为拼接操作，Fcv2，Fcv3，Fcv4分别为不同感受野池化层的输出特征图；

卷积层转换，通过一个卷积层cv5将拼接后的多尺度特征图转换为所需的输出通道数，表达式为：Foutput＝Conv1×1(Fmulti‑scale)      (12)式中，Foutput为最终的输出特征图，Conv1×1为1×1卷积操作。

4.根据权利要求1所述的基于改进YOLOv10的轴承表面缺陷检测方法，其特征在于，在步骤(4.4.3)中，替换Backbone为FasterNeT，包括：(A)PConv设计：通过引入新型的局部卷积PConv操作，减少计算复杂度并加速训练过程；

(B)FasterNeT模块结构：包含一个局部卷积PConv层，以及两个点卷积PWConv或1×

1Conv层；局部卷积PConv层用于提取输入特征图的局部空间特征；

点卷积PWConv或1×1Conv层用于通道融合和特征转换；

(C)特征传递：PConv层从输入特征图中提取空间特征，PWConv层将提取的特征传递到后续处理中。

5.根据权利要求1所述的基于改进YOLOv10的轴承表面缺陷检测方法，其特征在于，在步骤S5中，将构建的轴承缺陷数据集输入改进的YOLOv10模型中进行训练，包括：(5.1)将搭建好的轴承缺陷数据集，输入设置好超参数的改进YOLO模型进行训练；

(5.2)模型训练：将构建的轴承表面缺陷数据集的训练集输入改进后的YOLOv10模型进行训练，包括：(5.2.1)利用高级分类器XGBoost对边界框进行分类，得到每个边界框对应的缺陷种类概率分类方法，具体包括：(I)高级分类器XGBoost：使用XGBoost分类器对每个边界框进行分类；

(II)特征提取：从卷积特征图中提取每个边界框的特征，将这些特征作为XGBoost的输入；

(III)分类过程：XGBoost对每个边界框进行分类，输出每个边界框对应的缺陷种类概率，分类结果为每个边界框的缺陷类别及其概率分布；

(IV)通过软非极大值抑制Soft‑NMS的方法对每个边界框的分类概率进行排序，得到置信度最大的边界框预测值，Soft‑NMS不直接删除重叠度高的边界框，而是根据重叠度对置信度进行衰减，表达式为：式中，Si为边界的初始置信度，IOU为当前边界框与其他框的重叠度，σ为衰减系数；置信度阈值设置为0.5，IOU阈值设置为0.3；

(V)通过优化的损失函数Shape‑IoU计算预测值和真实值之间的损失值，Shape‑IoU在传统IoU的基础上，引入形状相似度的概念，表达式为：式中，Shape‑IOU为损失函数，用于计算预测值和真实值之间的损失值，损失值越小表示预测框与真实框的匹配度越高；Shape‑Similarity为衡量预测框与真实框的相似度，α为调节参数，Aspect‑Ratio‑Difference为衡量预测框与真实框的宽高比差异；

(VI)根据优化的损失函数Shape‑IoU的损失值进行反向传播；

(5.2.2)模型训练过程中，进行迭代训练，对模型进行验证集的验证，评估模型的精度和召回率；

再进行学习率调整，根据验证结果动态调整学习率；

训练过程直至达到预设的迭代次数或验证集性能不再提升，网络模型训练完成。

6.根据权利要求1所述的基于改进YOLOv10的轴承表面缺陷检测方法，其特征在于，在步骤S6中，对训练好的YOLOv10模型和改进后的YOLOv10模型进行测试，包括：将模型训练完成后生成的权重文件载入测试文件进行模型测试，得到改进的轴承缺陷检测模型在测试集上的测试结果，包括缺陷位置、缺陷类别和置信度,并且与YOLOv10模型进行对比；

在步骤S7中，综合评价不同模型的检测性能、计算效率和参数数量，包括：选用mAP@

0.5％、mAP@0.5‑0.95％、FLOPs和参数数量Params作为评价指标。

7.一种基于改进YOLOv10的轴承表面缺陷检测系统，其特征在于，该系统通过权利要求

1‑6任意一项所述的基于改进YOLOv10的轴承表面缺陷检测方法实现，该系统包括：缺陷图像采集模块，用于收集轴承缺陷图像，该图像包括轴承凹槽图像、轴承磨损图像和轴承划痕图像；

数据增强和预处理模块，用于对收集的轴承缺陷图像进行数据增强和预处理；

完整的数据集构建模块，用于将经过数据增强和预处理的轴承缺陷图像构建成完整的数据集；

YOLOv10模型改进模块，用于引入EMAttention注意力模块、YOLOv9的SPPELAN模块，并使用FasterNeT替换Backbone，构建改进的轴承缺陷检测模型，所述改进的轴承缺陷检测模型为改进的YOLOv10模型；

模型训练模块，用于将构建的轴承缺陷数据集输入改进的YOLOv10模型中进行训练，通过优化损失函数、添加注意力机制和特征融合模块，优化改进的YOLOv10模型的检测精度和泛化能力；

对比模块，用于在测试集上，对训练好的YOLOv10模型和改进后的YOLOv10模型进行测试，进行实验结果对比，验证两者在检测轴承缺陷时的准确性和效率；将改进的YOLOv10模型与主流算法进行对比，综合评价不同模型的检测性能、计算效率和参数数量。