基于GFIF-YOLO的钢材表面缺陷检测模型
杜阳1
王前1
贺永姣1
章晓爽1
黎格献1
王林2
1.贵州民族大学 数据科学与信息工程学院,贵阳 550025;贵州民族大学 贵州省模式识别与智能系统重点实验室,贵阳 5500252.贵州民族大学 贵州省模式识别与智能系统重点实验室,贵阳 550025
摘要：针对钢材表面缺陷特征不明显和尺度差异大导致其难以被检测的问题,提出了全局特征交互融合-你只看一次(global feature interaction fusion-you only look once,GFIF-YOLO)钢材表面缺陷检测模型.首先,将YOLO第8 版纳米型(YOLO version 8 nano,YOLOv8n)模型中的特征金字塔网络(feature pyramid network,FPN)替换成聚合分发(gather-and-distribute,GD)机制,在增强模型特征融合能力的同时,解决了跨层信息传递中的信息丢失问题;其次,在主干网络的最后 1 层嵌入全局注意力机制(global attention mechanism,GAM),进而增强模型对全局特征的关注能力;最后,通过引入多尺度轻量化卷积头(efficient multi-scale convolution head,EMSCHead),在减少模型参数量和计算量的同时提升模型的检测精度.结果显示,GFIF-YOLO 模型在东北大学缺陷检测(Northeastern University detection,NEU-DET)、通用工业组件 10 类检测(generic component 10-class detection,GC10-DET)数据集的检测平均精确率均值达到了 82.0%、66.7%,相较于YOLOv8n模型分别提升了 3.0、3.4 个百分点.GFIF-YOLO模型具有良好的性能,能够有效地完成钢材表面缺陷的检测任务.
关键词：缺陷检测GD机制注意力机制EMSCHead全局特征模型轻量化
分类号：TP391.4(计算技术、计算机技术)
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：8( 388-395 )
英文信息