卷积神经网络（CNN）中的特征提取通过以下方式提高缺陷检测能力：
CNN通过卷积层对输入图像进行特征提取，能够捕捉到图像中的各种细节，如边缘、纹理等，这些特征是缺陷检测的基础。卷积层使用不同的卷积核对图像进行扫描，从而提取出图像中的局部特征。这些特征在后续的缺陷分类和检测中起到关键作用。
1. 多层卷积和池化：CNN通常包含多个卷积层和池化层。多层卷积可以逐步提取出图像的高层次特征，而池化层则通过对卷积层输出进行降维，有效减少了运算量，同时保留了重要特征，提高了检测效率和准确性。
2. 特征融合与增强：通过特征融合技术，如双向特征聚合网络（Bi-FAN），可以聚合不同尺度的特征，从而丰富高层语义特征，提高网络对物体（包括缺陷）的检测能力。特征增强技术，如注意力模型，可以根据当前特征分布来计算需要施加到当前特征的注意力值，使模型更加关注关键区域，进一步提高缺陷检测的准确率。
3. 模型优化与微调：在实际应用中，还需要对CNN模型进行优化和微调。通过训练集对模型进行训练，并使用验证集和测试集评估模型的性能，可以不断调整网络参数，以达到最佳的检测效果。这种优化过程有助于模型更好地适应特定的缺陷检测任务。
CNN中的特征提取通过多层卷积和池化、特征融合与增强以及模型优化与微调等方式，显著提高了缺陷检测的能力。
