增强YOLOv8n与Mamba类似的线性注意力,用于缺陷检测和不规则薄膜片的涂层厚度分析
Ziqian Wang1, Qing Tao2, Zhijian Zhong3
1National Key Laboratory for the Modernization of Classical and Famous Prescriptions of Chinese Medicine, Jiangxi University of Chinese Medicine, 330004 Nanchang, China; Jiangxi Drug Inspection Center, 330000 Nanchang, China.
International journal of pharmaceutics
|May 12, 2025
概括
这项研究引入了一个增强的YOLOv8n系统,具有Mamba-Like线性注意力,用于实时检测缺陷和测量不规则形状的片中的涂层厚度,改善药品质量控制.
科学领域:
- 制药制造业 制药制造业 制药制造业
- 机器视觉 机器视觉 机器视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 传统的缺陷检测方法与不规则形状的平板电脑作斗争.
- 像YOLOv8这样的现有模型对复杂形状的准确性和速度有局限性.
研究的目的:
- 开发一个实时系统来检测缺陷和测量不规则形状的薄膜涂层片的涂层厚度.
- 为了增强YOLOv8n架构,在不规则的平板电脑形状上提高性能.
主要方法:
- 实现了一个增强的YOLOv8n架构与一个Mamba-Like线性注意力 (MLLA) 机制.
- 使用工业摄像头进行实时图像采集和次像素图像处理,以测量费雷特直径.
- 综合重量分析与片径相关,以估计涂层厚度.
主要成果:
- 在体重监测中实现了根平均平方预测误差 (RMSEP) 2.2 mg.
- 在八种涂层片类中获得了91.87%的整体分类准确度.
- 在检测微妙缺陷和测量涂层厚度方面,证明了改进的精度.
结论:
- 拟议的系统为不规则形状的平板电脑实时质量评估提供了强大而有效的解决方案.
- 这项技术为制药制造商提供了一个可扩展,具有成本效益的工具,以提高生产效率并最大限度地减少缺陷.
- 深度学习和机器视觉的整合大大提高了平板电脑连续制造中的质量控制.


