改进YOLOv8的钢材表面缺陷检测算法

为了更有效地识别钢材表面的细小和复杂缺陷,提出一种改进YOLOv8的钢材表面缺陷检测算法。首先,在原模型的Neck部分引入空间和通道重构卷积SCConv模块,提高模型对小尺度目标缺陷的识别能力;其次,将CA注意力机制模块融合到原始的Backbone中,使模型能够更好地关注目标缺陷的特征信息;接着,采用高效层聚合网络(RepGFPN)模块作为颈部网络,充分融合不同尺度的特征,提高特征融合能力;最后,引入轻量级上采样算子CARAFE,进一步提升模型的检测效果。实验结果显示,在公开的NEU-DET数据集上,改进后模型的平均精度均值(mAP)达到了81.1%,相较于原始YOLOv8模型,mAP提高了2.7%,精确率提升了3.9%。与此同时,在GC10-DET数据集上的实验也表明改进模型具有良好的鲁棒性,证明了所提算法能够有效地完成钢材表面缺陷的检测任务。

资料为PDF文档格式.

本文档关键词:测算,钢材,缺陷,表面,改进