RMSDNet: A Lightweight Object Detection Network for Rail Surface Defect
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
The surface condition of rails is important for ensuring the safe and stable operation of railway vehicles, so real-time defect detection of rail surfaces is essential. However, manual inspection and mainstream non-destructive surface detection methods are not only difficult to meet the accuracy requirements but are also inefficient. To solve this problem, we propose a new rail surface defect detection method, namely, reversible multi-scale detection networks (RMSDNet) based on the improved YOLOv8-n, which can detect rail surface defects more accurately and quickly with fewer parameters and greater efficiency. First, the backbone is reconstructed using the concept of reversible column networks (RevCol) to complete feature extraction more efficiently. Secondly, the multi-section block with attention and pooling (MSAP) module is designed to enhance attention to defects and reduce noise interference during feature fusion. In addition, ghost convolution with shuffle (GSConv) is introduced to reduce the computational complexity in the process of down-sampling and further optimize the information interaction. Finally, a semi-decoupled head (SD-Head) is designed to reduce the information redundancy while ensuring detection accuracy. Experiments on the rail surface defect dataset show that our model achieves the highest mAP@0.5 of 78.0% with the fewest parameters and lowest FLOPs compared to other mainstream object detection models.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 découle