带钢的表面缺陷对带钢的质量影响极大。针对由于带钢缺陷存在类间相似且容易受背景干扰,导致检测模型的精度较差的问题,提出了一种基于YOLOv8n的轻量级实时检测模型EDD-YOLO(EnhanceDefectsDe-tectionYOLO)。首先,构造了一个特殊卷积ECC...带钢的表面缺陷对带钢的质量影响极大。针对由于带钢缺陷存在类间相似且容易受背景干扰,导致检测模型的精度较差的问题,提出了一种基于YOLOv8n的轻量级实时检测模型EDD-YOLO(EnhanceDefectsDe-tectionYOLO)。首先,构造了一个特殊卷积ECConv(EnhanceCoordConv),其使用额外的坐标通道更加清晰地感受待检测目标的空间位置信息;其次,将轻量级注意力机制EMA(EfficientMulti-ScaleAttention)嵌入特征融合网络中,使得计算资源高效且合理分配,增强特征融合能力;然后,采用CARAFE(Content-AwareReAssembly of Features Extraction)替代原融合网络的上采样模块;最后,在预测部分使用WIOU改进原损失函数,加速模型收敛。实验数据表明,该模型相较于YOLOv8n,检测精度提高3.6%,检测速度保持在166fps,并且模型大小、空间复杂度与原模型基本持平,更好地满足了复杂工业场景下带钢缺陷的实时检测要求。展开更多
文摘带钢的表面缺陷对带钢的质量影响极大。针对由于带钢缺陷存在类间相似且容易受背景干扰,导致检测模型的精度较差的问题,提出了一种基于YOLOv8n的轻量级实时检测模型EDD-YOLO(EnhanceDefectsDe-tectionYOLO)。首先,构造了一个特殊卷积ECConv(EnhanceCoordConv),其使用额外的坐标通道更加清晰地感受待检测目标的空间位置信息;其次,将轻量级注意力机制EMA(EfficientMulti-ScaleAttention)嵌入特征融合网络中,使得计算资源高效且合理分配,增强特征融合能力;然后,采用CARAFE(Content-AwareReAssembly of Features Extraction)替代原融合网络的上采样模块;最后,在预测部分使用WIOU改进原损失函数,加速模型收敛。实验数据表明,该模型相较于YOLOv8n,检测精度提高3.6%,检测速度保持在166fps,并且模型大小、空间复杂度与原模型基本持平,更好地满足了复杂工业场景下带钢缺陷的实时检测要求。