面向工业场景带钢表面缺陷检测的LF-YOLO

针对工业场景下带钢表面缺陷尺寸大小不一、采集图像模糊导致传统缺陷检测算法在实际应用中精度低的问题,提出一种面向工业场景带钢表面缺陷检测的LF-YOLO算法。模型通过设计一种局部填充上采样模块对输入像素进行上采样,提高模型对模糊图片的识别能力,降低模型对小目标缺陷的漏检率。通过引入专注视觉任务的FReLU激活函数,提高模型定位缺陷的准确率。提出一种轻量级的漏斗注意力机制并与特征提取模块C2f进行结合,增强模型对不同尺寸缺陷的特征提取能力。在开源数据集NEU-DET与GC10-DET上的实验结果表明,改进后的模型平均检测精度比原始YOLOv8算法精度分别高7.0和15.4个百分点,且相较于其他目标缺陷检测模型在平均检测精度方面具有优势,并进一步通过消融实验验证了每个模块的有效性。