面向金属缺陷检测的自适应伽马上下文感知基于 SSM 的模型
计算机视觉与模式识别
2025-05-13 v3 机器学习
摘要
金属缺陷检测是工业质量保证中的关键任务，但现有方法在灰度变化和复杂缺陷状态方面难以实现鲁棒性，限制了其应用范围。为此，本文提出了一种自适应伽马上下文感知基于 SSM 的模型（GCM-DET）。该先进检测框架集成了动态伽马校正（GC）模块，以增强灰度表征并优化特征提取，以实现精确的缺陷重构。基于状态空间搜索管理（SSM）架构捕获鲁棒的多尺度特征，有效处理形状和尺度各异的缺陷。采用焦点损失（Focal Loss）来缓解类别不平衡并细化检测精度。此外，本文引入了 CD5-DET 数据集，专为港口船舶维护设计，具有显著的灰度变化和复杂的缺陷模式。实验结果表明，所提出的模型在 CD5-DET、NEU-DET 和 GC10-DET 数据集上实现了显著的改进，[email protected] 分别提升了 27.6\%、6.6\% 和 2.6\%。
引用
@article{arxiv.2503.01234,
title = {Self-Adaptive Gamma Context-Aware SSM-based Model for Metal Defect Detection},
author = {Sijin Sun and Ming Deng and Xingrui Yu and Xingyu Xi and Liangbin Zhao},
journal= {arXiv preprint arXiv:2503.01234},
year = {2025}
}
备注
8 pages, 5 figures; Accepted for publication at the 2025 International Joint Conference on Neural Networks (IJCNN 2025), Rome, Italy, 30 June - 5 July