基于YOLOv8n的磁瓦缺陷检测算法

为了提高磁瓦表面缺陷检测的精度,提出基于YOLOv8n的磁瓦缺陷检测算法YOLOv8-OSE.采用全维度动态卷积模块替代颈部网络中的普通卷积,增强模型的特征提取能力,减少模型的计算量;其次,在颈部网络中加入置换注意力机制,通过结合通道和空间注意力,增强模型对小目标的检测效果,使模型更加精准地定位目标位置;最后,为了解决缺陷样本不平衡和宽高比问题,引入EIoU损失函数,提高模型的收敛速度和回归精度.在磁瓦数据集上的实验结果表明,YOLOv8-OSE算法的平均精度mAP@0.5达到87.6%,mAP@0.5∶0.95达到51.6%,相较于YOLOv8n算法,分别提升了4.5%和2.6%.同时,模型的参数量和计算量基本保持不变.与当前主流的检测算法相比,YOLOv8-OSE算法的检测精度具有一定优势,能够在保持低算力的同时满足高精度的部署需求.