一个新的ST-YOLO网络用于钢表面缺陷检测
Hongtao Ma1,2, Zhisheng Zhang1, Junai Zhao2
1School of Mechanical Engineering, Southeast University, Nanjing 211189, China.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
这项研究介绍了ST-YOLO,这是一种用于检测钢铁缺陷的深度学习模型. 它通过使用专业网络和适应性培训方法来提高准确性,以更好地识别缺陷.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 深度学习在缺陷检测方面表现有前途,但在复杂的图像特征和动态模型变化方面面临挑战.
- 现有的方法与缺陷图像的丰富的语义层面和多样化的形态特征作斗争.
研究的目的:
- 提出一个有效的深度学习模型,ST-YOLO,用于增强钢铁缺陷检测.
- 解决缺陷检测方面的挑战,包括复杂的图像特征和动态模型学习.
主要方法:
- 引入了一个分离特征网络结构的变送特征融合模型 (ST-YOLO).
- 实施了用于培训的自纠正传输分配方法,包括自适应采样和动态标签分配.
- 设计了网络,以根据计算要求专门进行分类和本地化任务.
主要成果:
- ST-YOLO模型在NEU-DET和GC10-DET数据集上表现出卓越的性能.
- 拟议的适应性培训战略有效地利用了高质量的样本来优化培训过程.
- 该模型的专用网络结构改善了处理各种缺陷的功能.
结论:
- ST-YOLO为钢铁缺陷检测提供了一种有效的解决方案,其性能优于现有的方法.
- 适应性采样和动态标签分配有助于稳健而准确的缺陷识别.
- 该模型的架构非常适合处理缺陷图像分析的复杂性.
