최근 몇 년 간, 기계 비전을 기반으로 한 강철 표면 결함 탐지가 상당한 주목을 받으며 연구 핫스팟으로 떠올랐습니다. 그러나 몇 가지 과제가 여전히 남아 있습니다. 실제 산업 상황에서, 딥러닝 기반 탐지 방법은 종종 높은 계산 복잡성을 포함하여 실시간 결함 모니터링의 적용 가능성을 제한합니다. 또한 강철 표면의 복잡하고 노이즈가 많은 배경으로 인해 기존의 딥러닝 네트워크는 종종 특징 추출 과정에서 중요한 결함 특징을 잃게 됩니다. 이러한 문제를 해결하기 위해, 본 논문에서는 새로운 잠재 공간 주의 다중 스케일 YOLOv10n 모델(LAM-YOLOv10n)을 제안합니다. 첫째, 경량 고스트 모듈을 통합하여 모델의 파라미터 수와 계산 비용을 크게 줄입니다. 둘째, 강철 표면 결함과 관련된 식별 가능한 특징의 추출을 강화하기 위해 공간 다중 스케일 주의(SMA) 모듈을 설계합니다. 마지막으로, 다양한 결함 유형에 대한 모델의 탐지 성능을 향상시키기 위해 다중 분기 특징 융합 네트워크(MFFN)를 도입합니다. 실험 결과 제안된 LAM-YOLOv10n 모델은 기준 YOLOv10n 네트워크에 비해 3.47%의 정밀도 향상을 달성하였고, 정확성과 효율성 모두에서 여러 최첨단 객체 탐지 모델을 초월합니다. 이러한 발견들은 복잡한 산업 환경에서 실시간 강철 표면 결함 탐지를 위한 제안된 방법의 효과성과 실용성을 나타냅니다.
Zhang et al. (Thu,)은 이 질문을 연구했습니다.