基于YOLOv8改进的轴承表面缺陷检测方法

针对深度学习模型在轴承表面缺陷检测过程中漏检率高、模型复杂度高的问题,提出了一种基于YOLOv8的缺陷检测改进算法。在主干网络中引入GSConv轻量化卷积模块,用GSConv模块代替普通卷积,在不影响模型精度的情况下,减少模型的计算量;引入CBAM卷积注意力模块,通过改进网络特征提取技术,提高了检测的准确性。实验结果表明,改进的模型在自建轴承表面缺陷检测数据集上的准确率为92.6%,较原模型准确率88.8%提高了3.8%;在提升准确率的同时,计算量也从8.2 GFLOPs减少到8.0 GFLOPs,证明了改进后的模型对轴承缺陷检测的有效性。

改进YOLOv8的轻量化轴承缺陷检测算法

针对工业轴承表面缺陷检测算法精度低、模型参数量大的问题,提出一种改进YOLOv8的轻量化目标检测算法(MFA-YOLOv8)。首先,设计了一种轻量化多尺度特征卷积模块EMFC,基于此重构了主干和颈部部分C2f中的Bottleneck结构,保持轻量化的同时还有效地捕获不同尺度信息的细节特征;其次,引入焦点调制模块FM,提升模型对缺陷目标的表征能力和感受野;最后,引入注意力尺度序列融合模块ASF,进一步提升网络对轴承缺陷的检测精度,减小参数规模。实验结果表明,在GGS数据集上,MFA-YOLOv8的检测精度mAP@0.5高达91.5%,较YOLOv8检测精度提升了2.4%,参数量下降了21.9%,可满足工业现场轴承外观缺陷检测要求。

改进YOLOX网络的轴承缺陷小目标检测方法

针对深度学习模型在工业轴承表面缺陷检测中多目标情形下的小目标漏检率高、模型特征融合不充分的问题,基于YOLOX提出一种多注意力特征加权融合的小目标缺陷检测算法。在骨干网络引入特征提取更加细粒度的Res2Block模块,同时嵌入自注意力机制,增加隐性小目标的区域特征,减少漏检率;设计内嵌坐标注意力并作为加权条件的双路金字塔特征融合网络,提升浅层细节特征和深层高级语义特征的交互融合能力;后处理阶段引入Focal Loss损失函数,增加模型对正样本目标的学习,进一步减少漏检率。实验结果表明,与原YOLOX算法相比,改进算法在自制小型列车轴承表面缺陷数据集上mAP提高了4.04个百分点,对小目标的识别率明显提升。