使用SLF-YOLO增强的YOLOv8模型进行金属表面缺陷检测.
Yuan Liu1, Yilong Liu1, Xiaoyan Guo2
1School of Mathematics, Northwest University, 1 Xuefu Avenue, Xi'an, 710127, Shaanxi Province, China.
Scientific reports
|April 1, 2025
概括
轻量级物体检测模型SLF-YOLO增强了金属表面缺陷检测. 它实现了高精度和效率,在资源有限的工业环境中表现优于现有模型.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 材料科学 材料科学 材料科学
背景情况:
- 对精确高效的金属表面缺陷检测的工业需求很高.
- 现有的模型往往在资源限制或细粒度缺陷识别方面扎.
- 自动缺陷检测对于制造中的质量控制至关重要.
研究的目的:
- 提出SLF-YOLO,一种用于金属表面缺陷检测的轻量级物体检测模型.
- 改进特征表示,多尺度融合和损失函数,以提高检测.
- 在工业环境中实现精度和计算效率之间的平衡.
主要方法:
- 开发了一个新的SC_C2f模块,用于功能增强的通道门.
- 设计了一个Light-SSF_Neck结构,以改进多尺度特征融合和形态提取.
- 引入了改进的FIMetal-IoU损失函数,以提高对小缺陷的概括性.
主要成果:
- 在 NEU-DET 上,SLF-YOLO 实现了 80.0% 的 mAP,超过了 YOLOv8 (75.9%).
- 在AL10-DET上,SLF-YOLO达到了86.8%的mAP,显示出卓越的性能.
- 该模型保持轻量级的架构,而不会影响检测准确度.
结论:
- SLF-YOLO为工业金属表面缺陷检测提供了高精度和计算效率的解决方案.
- 拟议的模型有效地解决了资源有限的环境和细粒度缺陷识别的挑战.
- 对于实际的工业应用,SLF-YOLO为主流模型提供了一个可行的替代方案.


