基于改进YOLOv8s的钢材表面缺陷检测算法

• 全文链接
• 请求原文

作   者：

梁礼明;  龙鹏威;  金家新;  李仁杰;  曾璐; 

作者机构：

江西理工大学电气工程与自动化学院; 

关键词：

特征提取;  轻量化YOLOv8s;  深度学习;  缺陷检测;  特征交互; 

期刊名称：

浙江大学学报(工学版)

i s s n：

1008-973X

年卷期：

2025 年 59 卷 003 期

页   码：

512-522

摘   要：

钢材表面缺陷形态多样、结构复杂、小目标占比高，而通用目标检测算法计算量过大且不适合终端设备部署.针对上述问题，提出基于YOLOv8s的轻量级的钢材缺陷检测算法(SDB-YOLOv8s).重新设计特征交互模块(S-C2f)，抑制空间和通道冗余信息，提高检测精度；引入空洞Transformer模块，增强网络对全局上下文信息的捕获能力和稀疏采样特性，以减少细粒度信息损失，并提升对小目标的特征提取能力；设计BS-ShuffleNetV2轻量化网络作为骨干网络，在降低模型复杂度的同时保证检测精度.在NEU-DET和Severstal钢材缺陷数据集进行实验验证，结果表明，与基线模型相比，SDB-YOLOv8算法的m AP分别提升6.4和7.0个百分点、参数量和计算复杂度仅为基线模型的64.8%和56.2%.每秒检测帧数分别达到146帧和121帧、精确度分别提升4.6和6.5个百分点.实验结果表明，该算法在检测精度、速度和轻量化方面取得了较好的平衡，同时为边缘终端设备提供了较高精度和实时性的参考.