ACT-YOLO: An Efficient Multi-Module Fusion Object Detection Algorithm for Steel Surface Defect Detection
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
With the development of intelligent manufacturing, higher requirements for real-time performance and accuracy have been placed on the inspection of surface quality in industrial products. As a core basic material in manufacturing, steel has various complex surface defects, such as cracks, scratches, and scale, which are characterised by small size, diverse shapes, and strong background interference, posing significant challenges for automated inspection. To address the issues of insufficient detection accuracy, limited feature fusion capabilities, and coupling of classification and localisation tasks in existing YOLO models when processing fine-grained defects on steel surfaces, this paper proposes a high-performance object detection algorithm based on an improved YOLOv8m: ACT-YOLO (Adaptive Content-guided Task-aligned YOLO). This algorithm integrates three key modules: the AFMA module to enhance multi-scale perception capabilities for small objects; the CGAF module to achieve content-guided multi-attention feature fusion; and the TADD module to optimise the dynamic alignment between classification and regression tasks in the detection head. Evaluations on the NEU-DET steel surface defect benchmark dataset demonstrate that ACT-YOLO achieves an mAP@0.5 of 86.4% and a detection speed of 115 FPS. Compared to non-YOLO methods such as SSD (mAP@0.5: 61.0%, FPS: 41), RetinaNet (mAP@0.5: 69.5%, FPS: 15), and RT-DETR-r101 (mAP@0.5: 78.8%, FPS: 108), as well as other YOLO series models, ACT-YOLO exhibits significant advantages in both detection accuracy and real-time performance. Generalisation experiments on the GC10-DET dataset also validate its cross-scenario adaptability. ACT-YOLO balances detection accuracy, speed, and model lightweighting, making it suitable for the demand for efficient, real-time defect detection systems in actual industrial environments, with broad engineering application prospects and research value.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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