基于改进YOLOv8n的钢材表面缺陷检测算法

摘要

针对当前钢材缺陷检测中目标特征复杂导致检测精度较低的问题，提出了一种基于改进YOLOv8n的钢材缺陷检测算法GOS-YOLO。首先，使用由轻量级卷积GSConv构建的Slim-neck范式作为特征融合网络，在减小模型参数量的同时提高精度。其次，将骨干网络的部分C2f模块替换为与全维度动态卷积(ODConv)相结合的C2f＿ODConv模块，以实现模型的多维特征关注进而提高模型的精度。最后，将结合了多分支结构与压缩和激励操作的SENetV2注意力机制嵌入颈部网络，增强模型对复杂特征的提取能力。实验结果表明，在NEU-DET数据集上，GOS-YOLO的R、mAP50、mAP50～95较YOLOv8n分别提高了3.3%、1.7%、2.3%。在VOC2007数据集上mAP50～95提高了1%,FLOPs降低了16%。

关键词

深度学习 / 计算机视觉 / YOLOv8 / 缺陷检测