基于改进YOLOv8的钢材表面缺陷检测

摘要

为应对钢材表面缺陷检测中存在的缺陷种类多元、尺寸跨度大、检测精度较低及模型泛化能力不足等挑战，提出了一种钢材表面缺陷检测改进算法，命名为CGP-YOLO。首先，在Neck部分，使用内容感知特征重组（Content-Aware Reassembly of Features, CARAFE）替换最近邻插值算子，解决了上采样特征图出现的块状效应、细节丢失严重等问题；其次，在Head前引入全局注意力机制（Global Attention Mechanism,GAM），通过调控通道和空间特征的交互增强了模型的表征能力；最后，引入可编程梯度信息（Programmable Gradient Information, PGI）模块，通过其多级辅助信息组件逐步整合不同尺度的特征，有效提高了模型对不同尺度缺陷敏感性。与初始算法相比，算法CGP-YOLO性能显著提升，平均精度均值达到了80.8%，高于原算法3.6百分点。

关键词

YOLOv8 / 钢材表面缺陷检测 / 内容感知特征重组 / 全局注意力机制 / 可编程梯度信息