基于改进YOLOv11的钢管内壁缺陷检测方法研究

摘要

钢管内壁缺陷检测对于保障产品质量与生产安全至关重要，传统检测方法受光照、空间限制，检测效率较低，难以满足工业化需求。近年来，深度学习技术在缺陷检测领域的应用取得了一定进展，但仍面临光照变化、纹理干扰、缺陷与背景相似等挑战，检测的准确性与实时性有待提升。为此，提出一种基于改进YOLOv11的缺陷检测模型，将Slim-neck模块与高效多尺度注意力(efficient multi-scale attention, EMA)机制相结合，通过Slim-neck模块对标准卷积与深度可分离卷积提取的特征进行有效融合，降低计算复杂度，同时增强特征提取能力，通过EMA机制的并行子结构设计减少顺序依赖，提高检测效率。实验结果表明，本文模型在自建数据集上检测的平均精度均值(mAP@0.5)较基础模型提升了11.8%,在计算开销和参数量方面亦展现出优异性能，验证了其在钢管内壁缺陷检测中的有效性和应用价值。

关键词

钢管内壁 / 缺陷检测 / YOLOv11 / 特征提取 / 特征融合