GSBF-YOLO: A steel strip surface defect detection technique based on improved YOLOv8
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
The application of deep learning algorithms in defect detection systems has become widespread. However, due to the low contrast of strip surface defects and the surrounding interference information. As a result, the false detection rate and missing rate of strip surface defect detection are high. The existing methods can not meet the large-scale application in strip surface defect detection. In this paper, we propose a precise and efficient detection model, GSBF-YOLO, which is based on YOLOv8 for detecting surface defects in strip steel. The Bidirectional Feature Pyramid Network module was added to the algorithm. More efficient feature fusion is achieved through bidirectional feature flow and weighted feature fusion. In addition, we designed an improved Grouped Spatial CConvolution module in Neck. The GSCConv enhances parameter utilization efficiency through packet convolution and integration of additional feature fusion layers. In order to verify the effectiveness of GSBF-YOLO algorithm. We perform experiments on the NEU-DET dataset. The results demonstrate that, with regards to the NEU-DET data set, the indices of mAP@0.5 and mAP@0.5:0.95 for the GSBF-YOLO model have undergone an increase of 3% and 0.4% respectively. Further, experimental results demonstrate that the GSBF-YOLO algorithm exhibits outstanding performance in the domain of strip surface defect detection.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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