基于改进YOLOv8的轻量化带钢缺陷检测算法

为提升带钢缺陷检测的精准度,并实现模型在移动端的便捷高效部署,提出一种基于改进YOLOv8n的轻量化带钢缺陷检测方法。首先,引入GhostNet来替代网络中的传统卷积层,显著减轻了网络的计算负担,通过加入CA(坐标注意力)关注机制,有效增强了网络的特征提取能力并增强了模型的感受野。其次,在特征融合部分,选用轻量级的CARAFE(基于内容的特征重组)上采样模块,进一步提升了模型对特征的提取效果。最后,为了优化网络边界框回归的性能,采用Wise-IoU边界损失函数来替代原有的损失函数,用改进后的带钢表面缺陷检测方法在NEU-DET数据集上进行实验。结果表明,改进后的方法参数量和计算量分别为9.5 M和6.4 GFLOPs,相较于原始网络提升了15%和21%,同时mAP(平均准确率均值)为81.5%,提升3.2%,优于其他对比目标检测算法,可为移动端检测装备的部署和应用提供参考。