CGTD-Net: Channel-Wise Global Transformer-Based Dual-Branch Network for Industrial Strip Steel Surface Defect Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Surface defects directly affect the mechanical properties of industrial strip steel products. To evaluate the integrity of the strip steel surface, a channel-wise global Transformer-based dual-branch network (CGTD-Net) for strip steel surface defect detection, dubbed CGTD-Net, is proposed in this study. First, the strip steel surface images are preprocessed using saturation adjustment and random flipping strategies to remove unnecessary background information and improve network generalization. Second, the Swin Transformer is employed at the end of the backbone network and the negative impacts of a single channel are then mitigated by using the multichannel feature pyramid networks via Transformer, which improves the extraction ability of the global semantic information for tiny or narrow defects. Third, an edge detection branch network is constructed with a spatial–channel global attention (SCGA) module to further enhance the feature extraction on both spatial and channel information. Finally, the CGTD-Net is compared with 11 state-of-the-art methods on the NEU-DET dataset, and ablation experiments are also implemented. The comparison results, conducted on a single 3090Ti GPU, reveal that the CGTD-Net achieves a mean intersection over union (mIoU) of 75.16% at 178 frames/s, outperforming other methods. The ablation experiment demonstrates that the CGTD-Net improves the mIoU by 7.83% and the <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">${F}$ </tex-math></inline-formula> -score by 6.3% compared to the baseline.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle