基于改进YOLOv8n的钢材表面缺陷检测算法
姚若禹
郑世玲
史怡璇
张思启
张锌飞
高飞龙
张霞
聊城大学物理科学与信息工程学院,山东聊城 252059
摘要：针对当前钢材缺陷检测中目标特征复杂导致检测精度较低的问题,提出了一种基于改进YOLOv8n的钢材缺陷检测算法GOS-YOLO.首先,使用由轻量级卷积GSConv构建的Slim-neck范式作为特征融合网络,在减小模型参数量的同时提高精度.其次,将骨干网络的部分C2f模块替换为与全维度动态卷积(ODConv)相结合的C2f_ODConv模块,以实现模型的多维特征关注进而提高模型的精度.最后,将结合了多分支结构与压缩和激励操作的SENetV2注意力机制嵌入颈部网络,增强模型对复杂特征的提取能力.实验结果表明,在NEU-DET数据集上,GOS-YOLO的R、mAP50、mAP50～95较YOLOv8n分别提高了3.3％、1.7％、2.3％.在 VOC2007 数据集上 mAP50～95 提高了1％,FLOPs 降低了 16％.
关键词：深度学习计算机视觉YOLOv8缺陷检测
分类号：TG142.1(金属学与热处理)TP391.41:TP183(计算技术、计算机技术)
资助基金：国家自然科学基金(62205136)山东省自然科学基金(ZR2022MF284)聊城大学博士科研启动基金项目(318050062)聊城大学横向课题(K23LD94)
论文发表日期：2025-04-27
在线出版日期：2026-08-28（本平台首次上网日期，不代表文献的发表时间）
页数：13( 177-189 )
英文信息