大家好！我们团队很荣幸能参加第三届启智杯机器智能大赛，并展示我们在印刷缺陷检测领域的探索成果。

在现代工业制造中，印刷品缺陷检测是保证产品质量的关键一环。然而，现有模型在面对微小、多变的缺陷时，常常在检测精度、效率和泛化能力上遇到瓶颈 。为了解决这些挑战，我们设计并实现了一套高效的缺陷检测算法。

我们的方案核心亮点如下：

• 先进的模型架构：我们的算法基于先进的RWKV-Unet模型架构进行开发 。该架构巧妙地将RWKV（一种结合了RNN线性复杂度和Transformer高性能的注意力机制）与Unet相结合 ，能够高效地融合图像的局部特征与全局信息 。我们成功地将其应用于印刷缺陷检测任务，在提升检测精度的同时，显著降低了计算复杂度，参数量仅为17.4M 。
• 精准的小目标分割：针对印刷缺陷通常尺寸较小的问题，我们采用了BCE损失与Tversky损失相结合的复合损失函数 。这有效提升了模型对微小目标的敏感度和分割准确性，避免了漏检和误报的情况 。
• 卓越的性能与效率：实验结果证明，我们的模型在F1-Score上达到了0.868，优于传统的Unet和U2net等模型 。同时，处理速度高达30.2 FPS，远超赛事要求的1s/张 。
• 强大的泛化能力：通过“预训练+高效微调”的策略，我们的模型能够快速适应新产品、新场景的检测任务 。实验验证，仅需少量轮次训练即可达到全量微调90%的效果，展现了极强的可迁移性 

我们相信，这套兼顾高精度、高效率与强泛化性的解决方案，对推动智能质检技术的应用具有实际价值。我们已将完整的技术报告和实现代码上传，欢迎大家查阅和交流！

本项目算法的核心架构参考了论文《RWKV-UNet: Improving UNet with Long-Range Cooperation for Effective Medical Image Segmentation》。我们利用其高效平衡精度与性能的特点 ，将其成功应用于印刷缺陷检测任务 。

对原始实现感兴趣可查阅其GitHub：https://github.com/juntaoJianggavin/RWKV-UNet