用SME-DeeplabV3V3进行钢表面缺陷细分
Haiyan Zhang1, Zining Zhao1, Yilin Liu1
1College of Computer and Software Engineering, Huaiyin Institute of Technology, Huaian, China.
PloS one
|August 14, 2025
概括
本研究介绍了SME-DeepLabV3+,一种改进的钢表面缺陷细分方法. 它提高了检测缺陷的准确性和效率,提供了更好的钢质检查.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 精确的钢表面缺陷细分对于质量控制至关重要.
- 现有的方法往往在缺陷检测的准确性和效率方面扎.
研究的目的:
- 开发一种先进的钢表面缺陷细分方法 (SME-DeepLabV3+),提高准确性和效率.
- 通过新的建筑组件,提高各种钢材表面缺陷的检测.
主要方法:
- 利用StarNet作为高效特征提取的骨干.
- 整合了ELA (高效局部注意力) 模块,用于多尺度特征分析和自适应值.
- 集成了MSAA (多尺度自我注意) 模块,以基于缺陷大小的动态注意分配.
主要成果:
- 中小企业-DeepLabV3+模型在钢表面缺陷细分方面表现出卓越的性能.
- 与传统方法相比,在mIoU (1.65%),精度 (2.19%) 和MPA (0.36%) 中取得了改进.
- 该模型有效地减少了错误检测和错误阳性,提高了检查可靠性.
结论:
- 拟议的SME-DeepLabV3+方法显著提高了钢表面缺陷细分的准确性和效率.
- 星网,ELA和MSAA模块的组合为钢质检查提供了强大的技术支持.
- 开发的模型减少了计算资源的需求,同时提高了缺陷检测能力.


