YOLOv11-WBD:一个波纹双向网络,具有扩展感知,用于强大的金属表面缺陷检测
Li Guan1, Haitao Zhang1, Yijun Zhou2
1Department of Smart Manufacturing, Industrial Perception and Intelligent Manufacturing Equipment Engineering Research Center of Jiangsu Province, Nanjing Vocational University of Industry Technology, Nanjing, Jiangsu, China.
PloS one
|September 10, 2025
概括
本研究介绍了YOLOv11-WBD,这是一种用于金属表面缺陷检测的增强物体检测模型. 该模型提高了准确性和耐噪性,为工业质量控制提供了强大的解决方案.
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:
- 金属表面缺陷检测对于质量控制至关重要,但由于噪音,光谱异形和小的低对比度缺陷,因此具有挑战性.
- 像YOLO这样的现有物体检测模型在复杂的工业图像条件下扎.
研究的目的:
- 为了增强YOLO的特征表示和语义挖掘能力,用于金属表面缺陷检测.
- 为工业应用开发一个强大而准确的自动缺陷检测系统.
主要方法:
- 拟议的YOLOv11-WBD模型整合波纹分解,交叉注意力和U形扩展卷积.
- 介绍了用于自适应的多频特征融合的波纹注意多频融合模块 (WAMF).
- 开发了瓶增强扩展U-Conv模块 (BEDU) 进行高效的多尺度特征聚合.
- 实现了双向深度交叉注意模块 (BDCA) 适应性特征融合.
主要成果:
- 在NEU-DET和GC10-DET数据集上,YOLOv11-WBD实现了性能提升,mAP@0.5分别增加了5.8%和2.8%.
- 该模型显示了显著改善的噪声耐受性,在杂的环境中保持高检测精度.
- 实验结果验证了拟议模块在提高缺陷检测方面的有效性.
结论:
- YOLOv11-WBD为工业金属表面缺陷检测提供了一个有价值的解决方案,其性能优于现有的方法.
- 波纹分解,交叉注意力和扩展卷积的整合提高了模型的稳定性和准确性.
- 开发的模块为处理具有挑战性的工业成像条件提供了有效的策略.
更多相关视频
11:34Subsurface Defect Localization by Structured Heating Using Laser Projected Photothermal Thermography
Published on: May 15, 2017
11.5K
05:11High-precision Electromagnetic Flowmeter with Empty Pipe Detection via Complex Programmable Logic Device-based Waveform Recognition
Published on: June 27, 2025
660