.png){kind=icon}
返回
Multisource data-driven intelligent method for detecting surface defects in cold-rolled copper strips
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.110730.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
表面缺陷在确定冷轧铜带质量方面至关重要。尽管基于深度学习的检测技术已广泛应用，但它们高度依赖大量标注数据，而实际生产中，样本采集和标注存在实际瓶颈。为解决这些挑战，提出了一种多源数据驱动的轻量级带材表面缺陷检测方法（Ms-LSSD）。首先，整理了一个包含九种缺陷类型的数据库，命名为冷轧铜带缺陷数据集（CRCS9-DET）。然后，基于去噪扩散概率模型（DDPM）的架构提高了数据集多样性，并缓解了样本数量和类别不平衡问题。接着，基于实时检测Transformer（RT-DETR）设计了一种轻量级实时目标检测器，以实现冷轧铜带表面缺陷的精确检测。通过引入通道注意力机制，提出了一种新型卷积算子——自适应部分卷积（APConv），以增强不同任务下的表征能力。并建立了高效自适应残差网络（EARNet）作为实现轻量级模型的基础。最后，在CRCS9-DET数据集和公开数据集（NEU-DET）上进行了实验。Ms-LSSD在CRCS9-DET数据集上达到90.3%的均值平均精度（mAP50），在NEU-DET上达到78.7%的mAP50，检测速度为52.2帧每秒（FPS），在检测性能和推理速度之间取得了平衡。与当前最优算法相比，Ms-LSSD展现出更全面的表现潜力，适用于工业应用。
Keyword:
Surface defect
Cold-rolled copper strips
Denoising diffusion probabilistic model
Real-time detection transformer
Model lightweight
Attention mechanism
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
Multi-class classification method using twin support vector machines with multi-information for steel surface defects基于多信息孪生支持向量机的钢材表面缺陷多类分类方法
PREAI
分享收藏A Review on Recent Advances in Vision-based Defect Recognition towards Industrial Intelligence面向工业智能的基于视觉的缺陷识别研究进展综述
PREAI
分享收藏
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
查看更多内容