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 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 | 0,000 |
| 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 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 ».