基于GSL-YOLO的钢材表面缺陷检测算法

摘要

钢材在现代工业生产中因加工和环境等因素易产生表面缺陷，影响其质量和使用寿命。针对现有检测方法存在的精度不足与计算复杂度较高的问题，本文提出了一种基于YOLOv8的改进算法GSL-YOLO，针对特征冗余和特征表达能力不足的问题，在C2f模块中引入Ghost Bottleneck替代标准Darknet Bottleneck，减少冗余计算并提高特征提取效率，采用DynamicConv替换标准CBS模块，以增强对复杂场景的适应能力。为进一步提升模型对细小缺陷的检测精度，在颈部网络中引入SENetV1注意力机制，通过自适应调整通道权重，加强对关键特征的关注。此外，针对检测头参数量大、计算复杂度高的问题，设计轻量级共享卷积检测头LSDECD，有效降低模型参数量和计算开销。实验结果表明，GSL-YOLO在NEU-DET钢材表面缺陷数据集上的mAP50较YOLOv8提升3%，同时参数量减少33%，计算成本降低37%。

关键词

缺陷检测 / YOLOv8 / Ghost Bottleneck / DynamicConv / 注意力机制 / 轻量级检测头

基金资助

装备预研教育部联合基金（8091B032230）; 国家自然科学基金优秀青年基金（62322309）