GSBF-YOLO: A steel strip surface defect detection technique based on improved YOLOv8
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».