基于YOLOv8s的手机元件表面小目标缺陷检测算法研究

摘要

针对YOLOv8在手机元件表面缺陷检测中的实际应用，发现其在处理大量小目标时存在检测精度不足的问题。检测性能不佳的原因主要有两个：其一是小目标通常缺乏足够的外观信息，且目标与复杂背景之间对比度较低，导致模型提取特征时小目标信息丢失严重，检测头获得的有效信息不足，难以做出良好判断；其二是以IoU为主体的衡量边界框重叠度的指标对小目标较为敏感。为此，本文在YOLOv8s基础上提出一系列改进方法，以增强其对小目标的感知能力，提升模型在实际检测任务中的精度与鲁棒性。首先在主干网络中的卷积模块后添加具有切片操作的SimAM注意力模块(SWS),有效改善提取特征后小目标信息丢失严重的问题；其次在原有的SPPF中添加全局最大池化和全局平均池化分支，同时在SPPF块中嵌入SWS,以给模型提供丰富的信息和重要区域聚焦能力，帮助模型更好地做出判断；最后在原有算法的CIoU损失函数中加入归一化高斯Wasserstein距离(NWD),降低CIoU对小目标敏感的问题，使模型能够更加稳定地收敛。在一种手机元件上的实验表明，改进后的算法相较原有算法其F1-Score、mAP50、mAP50∶95分别提升了4.0%、3.9%、2.4%,证明了改进算法的有效性。此外改进后算法相较原算法其GFLOPs只增加了0.2,保障了实际应用对检测速度的要求。

关键词

手机元件 / 小目标检测 / 缺陷检测 / YOLOv8 / 损失函数 / 注意力机制

基金资助

国家重点研发计划“社会治理与智慧社会科技支撑”重点专项(2022YFC3302500)