一个基于改进的YOLOv8的轻量级条形钢表面缺陷检测网络
Yuqun Chu1, Xiaoyan Yu2, Xianwei Rong2
1School of Computer Science and Information Engineering, Harbin Normal University, Harbin 150025, China.
Sensors (Basel, Switzerland)
|October 16, 2024
概括
这项研究介绍了YOLO-SDS,这是一种用于检测钢带表面缺陷的轻量级网络. 它显著提高了准确性,减少了参数,提高了钢铁生产的质量控制.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 断片钢表面缺陷检测对于质量控制至关重要.
- 现有的方法在不同的缺陷大小和图像模糊方面扎,导致准确性低,检测时间长.
研究的目的:
- 提出基于改进的YOLOv8.的轻量级钢带表面缺陷检测网络 (YOLO-SDS).
- 为了提高检测精度和效率的钢带表面缺陷.
主要方法:
- 使用StarNet来取代YOLOv8骨干,以实现轻量化优化.
- 在子中引入了一个轻量级模块 (DWR) 和C2f模块,用于多级特征提取.
- 在复杂场景的检测头中内置了一个闭塞感知注意力机制 (SEAM).
主要成果:
- 与原来的YOLOv8.8相比,改进的YOLO-SDS模型减少了34.4%的参数.
- 在NEU-DET数据集上的平均检测准确度提高了1.5%.
- 在深度PCB数据集上表现出良好的概括性,在参数数量和检测速度方面表现优于其他模型.
结论:
- 对于钢带表面缺陷检测,YOLO-SDS在参数数量和检测速度方面提供了显著的优势.
- 集成模块 (StarNet,DWR,SEAM) 有效地提高了模型的性能.
- 拟议的模型提供了一种高效,准确的解决方案,用于钢带生产的自动化质量控制.
