.png){kind=icon}
返回
Efficient Steel Surface Defect Detection via a Lightweight YOLO Framework with Task-Specific Knowledge-Guided Optimization
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14102029.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
缺陷检测是工业制造中的一个关键任务，在实现自动化、提高产品质量和确保运行安全方面发挥着重要作用。然而，传统方法在精度和效率方面存在较大局限性。为解决这些挑战，我们提出了DCA-YOLO模型，该模型是基于任务特定知识优化的轻量级钢表面缺陷检测模型。具体而言，我们的模型引入了动态蛇形卷积（DSConv）模块以捕获挑战性缺陷类别中的细微线性特征，采用上下文引导模块利用上下文信息检测聚集缺陷，并使用自适应空间特征融合（ASFF）机制高效融合跨尺度特征。实验结果表明，即使采用纳尺度架构（430万参数和9.4 GFLOPs），增强后的模型在检测精度和鲁棒性方面均表现出显著提升，mAP50提高了4.6%，mAP50-95提高了7.7%。这些发现不仅为钢表面缺陷检测提供了更好的解决方案，也为工业检测技术的进步提供了新的理论见解和实践经验。未来，DCA-YOLO有望应用于更广泛的工业检测场景，进一步推动该领域的发展。
Keyword:
steel surface defect detection
lightweight YOLO
multi-scale feature fusion
fine linear features
industrial inspection
期刊
IF:
2.6
论文数:
9.9K
被引数:
4.7W
机构
引用论文
.png){kind=icon}
An End-to-End Steel Surface Defect Detection Approach via Fusing Multiple Hierarchical Features融合多个层次特征的端到端钢表面缺陷检测方法
OAAI
OAAI分享收藏分享收藏CSWin Transformer: A General Vision Transformer Backbone with Cross-Shaped WindowsCSWin变压器: 带有十字形窗口的通用视觉变压器主干OAAI
OAAI分享收藏
查看更多内容