改进YOLOv8的带钢缺陷检测

TP391.4; 针对带钢表面缺陷检测精度不足的问题,提出一种改进的YOLOv8n检测模型.基于可变形卷积对Head网络中的C2f模块进行了重新设计;通过利用采样点的可变性,有效提高了对表面不规则缺陷的检测能力.添加多头自注意力机制捕捉不同的关注点,从而提供全面且多样化的特征表示,进一步增强模型的检测性能.拼接Backbone和Head的特征,提升特征的质量和丰富度,解决缺陷局部信息丢失问题.在NEU-DET带钢数据集的实验验证中,该方法在平均精度和mAP50上较YOLOv8n分别提升了 5.6和2.2个百分点.值得注意的是,裂纹缺陷的检测精度和mAP50分别提升了 15.2和9.9个百分点,...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 60; no. 21; pp. 183 - 193
Main Authors 马金林, 曹浩杰, 马自萍, 林宝宝, 杨继鹏
Format Journal Article
LanguageChinese
Published 图像图形智能处理国家民委重点实验室,银川 750021%北方民族大学计算机科学与工程学院,银川 750021%北方民族大学数学与信息科学学院,银川 750021 01.11.2024
北方民族大学计算机科学与工程学院,银川 750021
Subjects
可变形卷积
surface defects on steel strips
目标检测
YOLOv8
object detection
表面缺陷
deformable convolution
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2403-0255

Cover

More Information
Summary:TP391.4; 针对带钢表面缺陷检测精度不足的问题,提出一种改进的YOLOv8n检测模型.基于可变形卷积对Head网络中的C2f模块进行了重新设计;通过利用采样点的可变性,有效提高了对表面不规则缺陷的检测能力.添加多头自注意力机制捕捉不同的关注点,从而提供全面且多样化的特征表示,进一步增强模型的检测性能.拼接Backbone和Head的特征,提升特征的质量和丰富度,解决缺陷局部信息丢失问题.在NEU-DET带钢数据集的实验验证中,该方法在平均精度和mAP50上较YOLOv8n分别提升了 5.6和2.2个百分点.值得注意的是,裂纹缺陷的检测精度和mAP50分别提升了 15.2和9.9个百分点,效果显著.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2403-0255