SFC-YOLOv8: Enhanced Strip Steel Surface Defect Detection Using Spatial-Frequency Domain-Optimized YOLOv8
Notice bibliographique
Résumé
Steel strips, renowned for their exceptional strength, durability, and impact resistance, are ubiquitous in various manufacturing sectors, notably aerospace, shipbuilding, and automotive industries. However, surface defects on these strips are inevitable due to various factors, including processing and environmental conditions. As a result, the efficient detection of these defects is paramount. This study introduces SFC-YOLOv8, a novel method for detecting surface defects on steel strips that leverages an improved YOLOv8 framework in the spatial-frequency domain. Initially, by exploiting the distinct high-frequency features of defect images, we extract mixed spatial-frequency domain features before applying YOLOv8, enhancing its sensitivity to low-contrast defects. Furthermore, we incorporate a global-local information-enhanced attention module into YOLOv8’s neck, which integrates high-frequency, low-frequency, and local perceptual information to capture defect features more effectively, boosting the model’s capability to detect minute and subtle defects. Additionally, we propose a frequency domain feature adaptive module that adaptively adjusts the soft threshold based on image frequency domain information, filtering out background noise while preserving the underlying semantic information of the image, thereby enhancing defect detection precision under varying lighting conditions. Comparative evaluations with conventional detection methods reveal that SFC-YOLOv8 achieves a mean average precision of 85.6%, a detection speed of 203 frames per second, and a compact model parameter of 4.36 MB, showcasing its superior overall performance. Ablation studies further confirm that SFC-YOLOv8 outperforms traditional YOLOv8 by enhancing detection precision by 6.6%.
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 | 0,001 |
| 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 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 ».