A context-aware multi-stream attentive convolutional neural network for surface defect segmentation
Notice bibliographique
Résumé
Surface defect segmentation (SDS) plays a crucial role in modern industrial inspection, driven by advancements in deep learning and computer vision. However, existing methods often struggle with defects that vary in size, shape, and appearance, especially when defects resemble the background. One key challenge is the effective fusion of low-level spatial and high-level semantic features, which conventional encoder-decoder networks handle inadequately, resulting in poor boundary precision and contextual inconsistency. To address these limitations, we propose MSAC-Net, a context-aware encoder-decoder architecture optimized for robust SDS. The encoder employs a dual-stream design: one stream captures semantic features via EfficientNetV2M, while the other enhances structural detail using a multi-scale convolutional cascade and channel-shuffle SEDNet module. A spatial attention-enhanced fusion module unifies these streams to improve feature integration. At the bottleneck, a spatially shifted MLP is combined with residual context features and a multi-scale aggregation module to capture long-range dependencies. The decoder incorporates cross-attention gates and ECA-enhanced residual convolution blocks to progressively refine segmentation. Evaluations on four benchmark datasets (DAGM2007, SD900, Magnetic Tile, and KolektorSDD2) show that MSAC-Net achieves an average mDSC of 95.15%, outperforming state-of-the-art methods due to superior multi-scale feature integration, attention-guided fusion, and a lightweight design, making it ideal for industrial deployment. • MSAC-Net is a multi-stream context aggregation network for segmenting defects with indistinct edges and variable shapes. • Employs channel shuffling, dilated convolutions, and attention to enhance defect segmentation with multi-contextual features. • Performs effective fusion of local contextual and global semantic features. • Outperforms state-of-the-art segmentation methods in four benchmark datasets. • Balances performance and computation, demonstrating MSAC-Net’s suitability for real-world defect inspection and localization.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».