计算机应用研究

作者：陈雅鑫,周强,刘鑫,王莹,刘鹏欢,朱建锋,罗宏杰,

单位：1.陕西科技大学a.电气与控制工程学院;b.材料科学与工程学院,西安710021；2.上海大学硅酸盐质文物保护教育部重点实验室,上海200444；

关键词：HTCBNet,表面粗糙度定量评价,表面轮廓线,JRC,石质文物,

基金：陕西省科技厅工业项目(2024GX-YBXM-544)；上海大学硅酸盐质文物保护教育部重点实验室开放课题(SCRC2024KF04TS)；陕西省地下文物保护利用协同创新中心项目(22JY008)；；

表面粗糙度的测量对石质文物的保护与研究至关重要。针对岩石表面粗糙度测量中轮廓线粗糙度的定量评价，现有方法依赖于人工设计特征量，难以全面捕捉表面细节特征的问题，将深度学习方法引入表面轮廓线粗糙度定量评价，提出基于多尺度卷积和局部到全局Transformer的石质文物表面粗糙度定量评价模型（HTCBNet）。首先，设计了分布聚焦特征提取模块，将轮廓线在数据分布空间上进行归一化处理，保留其幅值特征；在此基础上提出了异构融合特征提取模块，子网络分别使用多个多尺度卷积模块和局部到全局Transformer模块提取局部和全局特征，再使用自适应特征融合模块进行特征融合，并辅以Bi-GRU模型提取轮廓线的序列特征，以提升模型对轮廓线特征的提取能力；最后，设计了表面粗糙度系数（JRC）检测头，将丰富的轮廓线特征映射为JRC。实验结果表明，HTCBNet拟合优度达到了0.99，平均预测误差为0.02，相较于传统提取特征量的方法精度更高、模型泛化能力更强。

来源：2026年第2期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第2期