基于深度学习的金属表面缺陷检测方法的研究
Yuqin Feng1, Geng Sun2, Yawei Zhao2
1International Navigation College, Hainan Tropical Ocean University, Sanya, China.
Scientific reports
|December 5, 2025
概括
这项研究介绍了CDA-YOLOv8,这是一个增强的YOLOv8s模型,用于检测形状表面缺陷. 它显著提高了对像划痕和油漆泡等缺陷的准确性,实现了更高的平均精度 (mAP).
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:
- 现有的形状表面缺陷检测算法的准确性很低.
- 准确的检测对于制造型材的质量控制至关重要.
研究的目的:
- 开发一个改进的深度学习模型,用于准确的形状表面缺陷检测.
- 为了提高对型材的小和微缺陷的检测.
主要方法:
- 一个改进的基于YOLOv8s的模型CDA-YOLOv8被提出.
- 关键的修改包括CG Block,C2f中的Dilation-Wise Residual (DWR) 模块,以及与YOLOv8s Neck.集成的ASFP2检测层.
- 这些组件增强了多尺度特征提取和小物体检测.
主要成果:
- CDA-YOLOv8模型在检测形状表面缺陷方面取得了显著的改进.
- 在一个包含3229张图像和10个缺陷类别的数据集上,平均精度 (mAP@0.5) 从83.7%提高到88.1%.
- 该模型有效地检测出诸如痕,污点和油漆泡之类的缺陷.
结论:
- 拟议的CDA-YOLOv8模型有效地解决了现有算法的局限性.
- 建筑上的改进带来了在形状表面缺陷检测方面卓越的性能.
- 这种方法证实了整合专门模块以提高准确性的有效性.
