融合多尺度特征的YOLOv8裂缝缺陷检测算法

TP391.4; 针对井壁裂缝背景复杂,纵横比差异大,导致检测效率低、漏检等问题,提出了一种融合多尺度特征的裂缝缺陷检测模型EDG-YOLO.设计特征提取模块EIRBlock(efficient inverted residual block),并构建C2fEIR增强主干网络对井壁浅层裂缝特征信息的提取能力.在颈部融合CSP_EDRAN(CSP efficient dilated reparam aggregation network)实现对裂缝特征信息的复用,促进浅层与深层语义信息之间的交互.嵌入DAM(dual attention module)注意力机制,增强井壁裂缝特征的表达能力.构建...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 60; no. 22; pp. 261 - 270
Main Authors 赵佰亭, 程瑞丰, 贾晓芬
Format Journal Article
LanguageChinese
Published 安徽理工大学 电气与信息工程学院,安徽 淮南 232001%安徽理工大学 人工智能学院,安徽 淮南 232001 15.11.2024
Subjects
井壁裂缝
注意力机制
shaft lining crack
attention mechanism
目标检测
YOLOv8
object detection
轻量化
lightweight
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2404-0332

Cover

More Information
Summary:TP391.4; 针对井壁裂缝背景复杂,纵横比差异大,导致检测效率低、漏检等问题,提出了一种融合多尺度特征的裂缝缺陷检测模型EDG-YOLO.设计特征提取模块EIRBlock(efficient inverted residual block),并构建C2fEIR增强主干网络对井壁浅层裂缝特征信息的提取能力.在颈部融合CSP_EDRAN(CSP efficient dilated reparam aggregation network)实现对裂缝特征信息的复用,促进浅层与深层语义信息之间的交互.嵌入DAM(dual attention module)注意力机制,增强井壁裂缝特征的表达能力.构建轻量级检测头GDetect,借助GSConv模块进一步轻量化网络.在自制井壁裂缝数据集上的实验结果表明,与YOLOv8相比,EDG-YOLO的平均检测精度达到87.4％,提高了 2.3个百分点,模型的参数量和计算量分别降低了 33％和47％,单幅图像推理时间为13.2 ms,满足井下场景的实时检测需求.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2404-0332