YOLOv8-VSC:一种轻量级的带钢表面缺陷检测算法

TP391; 目前在带钢表面缺陷检测领域,通用的目标检测算法复杂度高、计算量庞大,而一些中小型企业负责检测的终端设备通常不具备较强的计算能力,计算资源有限,从而导致检测算法部署困难.为解决该问题,基于YOLOv8n目标检测框架,提出一种轻量级的带钢表面缺陷检测模型YOLOv8-VSC.该模型使用轻量级的VanillaNet网络作为骨干特征提取网络,通过减少不必要的分支结构降低模型的复杂度.同时,引入SPD模块在减少网络层数的同时加快模型的推理速度.为了进一步提升检测精度,在特征融合网络中,使用轻量级的上采样算子CARAFE,提高融合特征的质量和丰富度.最后,在NEU-DET数据集上进行大量实验...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 18; no. 1; pp. 151 - 160
Main Authors 王春梅, 刘欢
Format Journal Article
LanguageChinese
Published 西安邮电大学 陕西省网络数据分析与智能处理重点实验室,西安 710121 2024
西安邮电大学 计算机学院,西安 710121
Subjects
defect detection
VanillaNet
YOLOv8
轻量级网络
lightweight network
带钢表面缺陷
缺陷检测
strip surface defect
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.2308060

Cover

More Information
Summary:TP391; 目前在带钢表面缺陷检测领域,通用的目标检测算法复杂度高、计算量庞大,而一些中小型企业负责检测的终端设备通常不具备较强的计算能力,计算资源有限,从而导致检测算法部署困难.为解决该问题,基于YOLOv8n目标检测框架,提出一种轻量级的带钢表面缺陷检测模型YOLOv8-VSC.该模型使用轻量级的VanillaNet网络作为骨干特征提取网络,通过减少不必要的分支结构降低模型的复杂度.同时,引入SPD模块在减少网络层数的同时加快模型的推理速度.为了进一步提升检测精度,在特征融合网络中,使用轻量级的上采样算子CARAFE,提高融合特征的质量和丰富度.最后,在NEU-DET数据集上进行大量实验,得到模型的参数量与计算量为1.96×106和6.0 GFLOPs,仅为基线的65.1%和74.1%,mAP达到80.8%,较基线提升1.8个百分点.此外,在铝材表面缺陷数据集和VOC2012数据集上的实验结果表明所提算法具有良好的鲁棒性.与先进的目标检测算法相比,所提算法在保证高检测精度的前提下需要的计算资源更少.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.2308060