中文核心论文速读

论文标题：​​​​​​ECC-YOLO：一种改进的钢材表面缺陷检测方法s
数据来源：东北大学制作的公开数据集NEU-DET（钢材表面缺陷）

设备配置：AMD+a100

创新点：

1. 通过在主干特征提取网络中引入ConvNext 模块，用其替换主干网络中ELAN模块，为了增强网络对钢材表面细小缺陷的特征提取能力。

https://blog.csdn.net/weixin_54546190/article/details/124948176
https://zhuanlan.zhihu.com/p/576028895
2.设计一种新的C2fFB 模块，为了减少参数量，提升网络模型在钢材缺陷检测中的检测速度和精度的同时，也降低了计算成本。（自研，有点像引入C2f模块）

3.设计MPCE 模块，形成注意力池化模块，为了削弱复杂背景信息对钢材表面缺陷检测的干扰，使网络更加关注细小缺陷目标信息。MPCE 是在MPConv 的模块的基础上引入ECA 注意力机制模块的思想构建而成。将MPConv 模块中第二条分支的原先的CBS 模块替换成ECA 注意力机制模块。

效果：该模型的mAP达到77.2%，相较于YOLOv7，ECC-YOLO的检测精度提高了10.1%，模型参数量减9.3%。