计算机技术与应用 | 基于改进YOLOv8的钢材表面缺陷检测算法
计算机技术与应用 | 基于改进YOLOv8的钢材表面缺陷检测算法
摘要:针对现有钢材表面缺陷检测模型计算复杂度高、模型大小难以与检测精度实现平衡等问题,提出一种基于YOLOv8的钢材表面缺陷检测算法RW-YOLO.首先,在骨干网络中加入广视野注意力机制网络(WFAN),通过计算相似度矩阵捕捉局部信息之间的关系,提高网络特征表示能力;然后,在颈部网络引人残差深度分离卷积混合注意力机制(RDS-CBAM),通过残差结构与CBAM注意力机制的结合捕捉关键信息,降低小型缺陷的漏检率,同时将注意力机制中的常规卷积替换为深度可分离卷积,降低模块规模;最后,采用基于深度可分离卷积的DS-C2f模块替换原有的C2f模块,提升模型的轻量化水平.实验结果表明,改进后的模型平均检测准确率(mAP)相较于基线模型的 74.6% 提升了 2.2% ,裂纹缺陷的检测精度提升了 7.9% ,计算量降低0.2G,证明模型在复杂工业场景下具有一定的实用性,