Un modelo mejorado de detección de defectos de acero mediante fusión de características multiescala basado en...

Área de la Ciencia:

• Visión por Computadora
• Ciencia de los Materiales
• Inteligencia Artificial

Sus antecedentes:

• La detección de defectos en la superficie del acero enfrenta desafíos con objetivos pequeños y fondos complejos.
• Los modelos existentes a menudo tienen un gran número de parámetros, lo que dificulta su implementación.
• La detección precisa y eficiente es crucial para el control de calidad industrial.

Objetivo del estudio:

• Desarrollar un modelo de detección de defectos en la superficie del acero que sea ligero y preciso.
• Abordar las limitaciones en la detección de defectos pequeños y reducir la complejidad del modelo.
• Permitir la detección de defectos en tiempo real en entornos industriales.

Principales métodos:

• Se propuso el modelo YOLO-MFD basado en YOLO11n.
• Se introdujo el módulo de Mejora de Características de Borde Multiescala (MEFE) para la detección de defectos sutiles.
• Se implementó una Red de Pirámide de Características Bidireccional Espacial de Global a Local (GLSA-BiFPN) para una fusión de características eficiente.
• Se utilizó una cabeza de detección de grupo (Ghead) para reducir los parámetros mediante convolución agrupada.

Principales resultados:

• YOLO-MFD logró un mAP de 83,8% en el conjunto de datos NEU-DET, una mejora del 5,9% sobre YOLO11n.
• Redujo los parámetros del modelo en un 27% y el costo computacional en un 6,3%.
• Demostró un equilibrio efectivo entre la precisión de la detección y el diseño ligero.

Conclusiones:

• El modelo propuesto YOLO-MFD mejora significativamente la precisión y eficiencia de la detección de defectos en la superficie del acero.
• La naturaleza ligera del modelo lo hace adecuado para la implementación en tiempo real en escenarios industriales.
• YOLO-MFD ofrece una solución práctica para la inspección de calidad industrial compleja.