研究人员开发了 CF-YOLO，一个新颖的实时检测框架，旨在提高识别铜管等工业部件中微小、伪装缺陷的准确性。该系统集成了上下文感知聚合模块 (CPAM)，用于更好地感知宏观纹理和边界描绘，以及特征加性细化模块 (FARM)，用于全局验证和细化异常表示。为了支持进一步研究，该团队还推出了铜管缺陷数据集 (CTDD)，这是一个拥有近 2,000 张图像和超过 4,800 个缺陷实例的基准。实验表明，CF-YOLO 在关键指标上优于包括 YOLOv11 在内的现有检测器，同时保持实时推理速度。 AI
影响 通过更准确、更高效的缺陷检测来增强工业质量控制。
排序理由 这是一篇详细介绍用于特定计算机视觉任务的新模型和数据集的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
