MADet:一个多维特征融合模型,用于检测接放射图中的典型缺陷
Shuai Xue1,2, Wei Xu3,4, Zhu Xiong1
1School of Computer Science and Engineering, Faculty of Innovation Engineering, Macau University of Science and Technology, Macau 999078, China.
Materials (Basel, Switzerland)
|August 14, 2025
概括
这项研究介绍了MADet,这是一个新的深度学习模型,用于在X射线图像中准确检测接缺陷. MADet提高了小缺陷的检测,改善了结构安全和接质量评估.
科学领域:
- 材料科学 材料科学 材料科学
- 非破坏性测试 不破坏性测试
- 人工智能的人工智能
背景情况:
- 准确的接缺陷检测对于工业结构完整性和质量控制至关重要.
- 手动检查效率低下,缺乏灵敏度,而现有的模型则在接X射线图像挑战中扎,例如噪音和低对比度.
- 小缺陷经常被忽视或错误识别,导致安全问题.
研究的目的:
- 开发一种先进的深度学习模型,用于在X射线图像中强大的接缺陷检测.
- 为了克服当前处理噪音,低对比度和微妙缺陷的方法的局限性.
- 提高自动化接质量评估的准确性和可靠性.
主要方法:
- 提出了用于接缺陷检测的多维特征融合网络 (MADet).
- 集成了一个多尺度的特征融合网络,带有注意力残余模块,用于细粒度特征感知.
- 采用了基于的特征选择性检测头来加强对五种缺陷类型的歧视和定位.
主要成果:
- 在接缺陷数据集上,MADet表现出了与最先进的YOLO变体相比的显著改进.
- 与低最佳模型相比,mAP@0.5的增长率达到了7.41%.
- 在检测小缺陷和减少假阳性方面展示了卓越的性能.
结论:
- 拟议的MADet模型为自动接缺陷检测提供了一个高度有效的解决方案.
- 多维特征融合方法增强了对微妙缺陷特征的感知.
- MADet具有强大的实用工业应用潜力,可以提高安全性和质量保证.
