改进YOLOv8 的带钢缺陷检测OA北大核心CSTPCD
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。
马金林;曹浩杰;马自萍;林宝宝;杨继鹏;
北方民族大学计算机科学与工程学院,银川750021 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
计算机与自动化
目标检测表面缺陷可变形卷积YOLOv8
《计算机工程与应用》 2024 (021)
P.183-193 / 11
宁夏自然科学基金(2023AAC03264);北方民族大学中央高校基本科研业务费专项(2023ZRLG02);宁夏高等学校科学研究项目(NYG2024066);图像与智能信息处理国家民委创新团队;北方民族大学计算机视觉与虚拟现实创新团队。
评论