一个ESG-ConvNeXt网络用于基于混合注意力机制的钢表面缺陷分类
Ning Zhang1, Ziyang Liu2, Enxu Zhang2
1Engineering Research Center of Hydrogen Energy Equipment& Safety Detection, Universities of Shaanxi Province, Xijing University, Xi'an, 710123, China. zhangning@xijing.edu.cn.
Scientific reports
|March 29, 2025
概括
一个新的ESG-ConvNeXt模型显著提高了钢表面缺陷分类的准确性. 这种先进的网络增强了钢铁生产中的缺陷识别,在基准数据集上达到97.5%的准确性.
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:
- 准确的缺陷识别对于钢铁生产质量控制至关重要.
- 现有的方法在检测微妙的表面缺陷方面面临挑战.
- ConvNeXt 模型看起来有前途,但需要针对工业应用进行专门的调整.
研究的目的:
- 为了提高ConvNeXt对钢表面缺陷分类的能力.
- 引入一种新的网络架构,ESG-ConvNeXt,以改善缺陷检测.
- 在标准数据集上验证拟议模型的性能.
主要方法:
- 拟议的ESG-ConvNeXt架构包括串行多注意和并行多尺度剩余模块.
- 在下采样阶段利用PReLU激活功能来防止神经元死亡.
- 在NEU-CLS-64和X-SDD钢表面缺陷数据集上进行了实验.
主要成果:
- 在NEU-CLS-64数据集上实现了97.5%的平均识别准确度.
- 与现有方法相比,表现出优越的性能.
- 废弃和可视化实验证实了单个模块的有效性和整体分类能力.
结论:
- 通过ESG-ConvNeXt网络,钢铁表面缺陷的分类得到了重大进展.
- 拟议的架构增强有效地改善了特征提取和信息保留.
- ESG-ConvNeXt显示出在工业质量控制中实际应用的巨大潜力.
