PixTransNet: A Sensor-Aware CNN–Transformer Model for Magnetic Flux Leakage Defect Segmentation
Notice bibliographique
Résumé
Magnetic Flux Leakage (MFL) is a widely used non-destructive evaluation (NDE) technique for pipeline inspection. However, its signals are highly sensitive to noise and geometric distortions, causing small defects with limited spatial coverage and subtle defects with low-contrast patterns to be embedded in noise, resulting in indistinct boundaries and irregular shapes that complicate segmentation. To address these challenges, we propose PixTransNet, a hybrid CNN–Transformer model built on a UNet encoder–decoder architecture with a ResNet18 backbone, designed to improve the segmentation and boundary localization of small and subtle defects in MFL signals. We embed pixel-aware transformer blocks into the deeper encoder stages to capture long-range dependencies and enhance the modeling of subtle and fragmented defect patterns. To further enhance the interpretation of MFL signals, we introduce a cross-attention module that selectively emphasizes signal regions with strong structural relevance, leading to more continuous and accurate defect boundaries, particularly for small defects. Extensive experiments on a large-scale dataset of 33,000 MFL images demonstrate that PixTransNet achieves notable improvements in segmentation quality, particularly in detecting small, weak, and low-contrast defects compared to existing baselines. PixTransNet achieves 48.30% IoU, representing a 1.97% improvement, and 70.73% Recall, representing a 13.06% improvement over the best-performing 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.
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) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,003 | 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 ».