基于改进的YOLOv8尺度自适应大渣检测算法研究

摘要

针对工业场景中大渣块的检测，研究提出一种结合尺度自适应模块和特征融合自注意力机制的改进YOLOv8模型。该方法通过引入深度估计子网络，利用目标的深度信息动态调整锚框的大小，以提高模型在不同尺度下的检测能力。此外，特征融合的自注意力机制进一步增强了对显著目标特征的关注，减少了背景噪声的干扰。研究还使用了自制的数据集，该数据集包含在工业排渣机场景下采集的不同深度、尺度和光照条件下的大渣块样本，以评估所提方法的性能。实验结果表明，改进后的YOLOv8模型在复杂场景中表现出显著的性能提升，在平均精度、准确率和召回率方面均优于其他主流检测模型，达到了98.1%的mAP。这验证了所提方法在复杂工业场景中检测大渣块的有效性与鲁棒性。

关键词

图像处理 / 尺度自适应模块 / 特征融合自注意力 / 工业熔渣检测 / 深度估计 / 目标检测