基于改进YOLOv8s的织物疵点检测OA
为了解决人工检查效率低、算法检测的缺陷种类少以及算法检测精度差等问题,提出了一种改进的YOLOv8s算法来进行织物疵点检测。首先,通过将DCNv4算子融入YOLOv8s特征融合网络Neck中的C2f模块,构建了C2f_DCNv4模块,不仅提高了对小目标的检测精度,还实现了比使用DCNv3更快的处理速度。其次,将MSCA注意力模块与常见的CBAM注意力相结合,创新设计了MCASAM注意力模块,并将其加入到特征提取网络中的最后一层,提升了模型的多尺度特征捕获能力以及对小目标的检测敏感度。最后,在损失函数中,用InnerIoU替换了传统的CIoU,不仅收敛速度更快,而且进一步优化了检测框的精确度。试验结果表明:在天池疵点检测数据集上针对20类疵点的对比试验中,与原始YOLOv8s算法相比,该研究所提方法的mAP@0.5值达到0.608,提高了5.9%,模型推理速度达150帧/s,能够满足实际的检测需求。
王帅;刘珊珊;李保田;张永军;陈健健
山东青年政治学院,山东济南250103 山东省高等学校智能信息控制新技术研发中心,山东济南250103 山东省高等学校智慧康养大数据工程与泛在计算特色实验室,山东济南250103济南职业学院,山东济南250103山东青年政治学院,山东济南250103 山东省高等学校智能信息控制新技术研发中心,山东济南250103 山东省高等学校智慧康养大数据工程与泛在计算特色实验室,山东济南250103山东青年政治学院,山东济南250103 山东省高等学校智能信息控制新技术研发中心,山东济南250103 山东省高等学校智慧康养大数据工程与泛在计算特色实验室,山东济南250103山东青年政治学院,山东济南250103
轻工纺织
YOLOv8sDCNv4MCASAMCBAMInnerIoU织物疵点检测C2f_DCNv4
《棉纺织技术》 2025 (2)
P.49-55,7
山东青年政治学院博士科研启动基金(XXPY23036)。
评论