基于MELE-YOLOv11n的立井罐道表面缺陷检测模型
彭李朋
赵佰亭
安徽理工大学 电气与信息工程学院,安徽 淮南 232001
摘要：针对立井罐道表面缺陷检测模型检测准确率低、识别困难、参数量大等问题,提出多增强轻量级高效-你只看一次第 11 版纳米型(multi-enhanced lightweight efficient-you only look once version 11 nano,MELE-YOLOv11n)模型.首先,设计了高效通道注意力双流(efficient channel attention dual-stream,ECA-DS)和深度可分离卷积-高效多尺度注意力(depthwise separable convolution-efficient multi-scale attention,DWEMA)模块,增强模型在矿井复杂环境中对目标缺陷特征的适应性,提高模型的检测性能.然后,采用了卷积3 尺度可变核双路径全内核(convolutional three-scale kernel-adaptive dual-path-omni-kernel,C3K2-OK)模块,捕捉不同尺度的特征图信息,缓解信息丢失问题.最后,针对原有检测头计算量大的问题,提出轻量级共享细节增强卷积检测头(lightweight shared detail-enhanced convolutional detection head,Detect-LSDECD)模块,使用共享策略结合细节增强卷积增强模型的轻量化性能.结果表明,与YOLOv11n模型相比,MELE-YOLOv11n模型在立井罐道表面缺陷数据集上的平均精确率均值提高了 2.5%,参数量降低了 0.3×106 个.MELE-YOLOv11n模型能够满足准确性和轻量化之间的平衡需求,可以为立井罐道表面缺陷的自动化检测提供有力的技术支持.
关键词：表面缺陷YOLOv11n共享卷积目标检测轻量化注意力机制
分类号：TP391.4(计算技术、计算机技术)
资助基金：国家自然科学基金(52174141)安徽省自然科学基金项目(2108085ME158)
论文发表日期：2025-09-20
在线出版日期：2025-09-24（本平台首次上网日期，不代表文献的发表时间）
页数：6( 376-381 )
英文信息