一种有效的轻量化方法,用于检测钢表面缺陷
Aiyun Zheng1, Xinyu Jiang1, Weimin Liu1
1College of Mechanical Engineering, North China University of Science and Technology, Tangshan 063210, China.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
本研究介绍了LCED-YOLO,这是一个改进的YOLOv11模型,用于检测钢铁生产中的表面缺陷. 新模型增强了边缘检测和降低参数,以更低的计算成本实现更高的准确性.
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:
- 表面缺陷在钢铁生产中很常见,这给传统的检测方法带来了挑战.
- 准确而高效的缺陷检测对于钢铁行业的质量控制至关重要.
研究的目的:
- 开发一种先进的深度学习模型,用于精确检测钢表面缺陷.
- 改进现有的YOLOv11功能,以更高的效率检测复杂缺陷.
主要方法:
- 基于YOLOv11架构的拟议LCED-YOLO模型.
- 集成的C3K2-MSE模块用于增强边缘信息提取.
- 引入了LDConv和一个轻量级的脱头,用于模型优化.
- 利用可学习的注意力因子与CIoU损失,以改善难以取样的本地化.
主要成果:
- LCED-YOLO在NEU-DET上获得了79.8%的mAP50得分,在GC10-DET数据集上获得了70.3%的mAP50得分,表现优于YOLOv11.
- 模型参数减少了19%,浮点操作减少了23%.
- 证明了增强的检测能力,特别是对于具有挑战性的缺陷样本.
结论:
- 对于钢表面缺陷检测,LCED-YOLO提供了一种轻量级但非常准确的解决方案.
- 拟议的模型有效地解决了传统方法的局限性,并满足了工业对精度和效率的要求.
