基于改进YOLOv8n的带钢表面缺陷检测方法

摘要

为解决复杂工业环境中传统的带钢表面缺陷检测方法效率低、精度差的问题，本文提出了一种基于YOLOv8n的带材表面缺陷检测方法。针对YOLOv8n全局卷积存在的模型丢失局部信息、提取特征多样性不足以及训练时容易过拟合等影响检测准确率的问题，文中做出了以下改进：(1)提出Clo-conv Net模块，利用上下文局部增强机制强化局部特征，提升模型捕捉局部信息的能力；(2)提出频率坐标注意力机制(FC-CA),通过改进坐标注意力CA的结构将更多的特征频率信息与位置信息结合起来，丰富特征多样性；(3)引入置信度惩罚，通过平滑输出使模型在学到很好的表征能力后能尽快收敛。研究结果表明，在保证模型推理速度的同时，平均精确率(0.5)较基准模型YOLOv8n分别提升了8.9%、7.2%、6.2%。在小样本和模糊样本上进行验证试验，模型精度显著提升。

关键词

带钢表面缺陷 / 深度学习 / 局部增强 / 频率注意力 / 置信度惩罚