一种基于LSKNet的绝缘子缺陷检测方法研究

目前,电力网络缺陷检测主要通过无人机航拍完成。对当前公开的数据集进行筛选,发现绝缘子的标注误差较大且正负样本失衡;同时,巡检图像中存在许多小尺度和细长类型的目标,使用现有的算法很难达到高精度的检测效果。针对上述问题,通过雾化算法构建一个新的数据集,采用大型选择核网络(LSKNet),引入暗通道先验算法,提出针对电力网络缺陷的LSK绝缘子图像去雾算法。实验结果表明,在SFID-PRO数据集上的mAP达到85.90%,其中缺陷绝缘子的召回率达到了99.6%,能够对细长物体和小尺寸物体进行精准的检测。

基于改进YOLOv8n的带钢表面缺陷检测方法

针对带钢表面缺陷种类多样、特征不明显,导致漏检和错检等问题,提出一种改进YOLOv8n的带钢表面缺陷检测方法。首先,为适应较小尺寸目标,增加P2检测层来识别各类缺陷,减少漏检率,以及设计一种高效的PConv检测头,维持推理速度;其次,采取将YOLOv8n颈部中的C2f模块和可变形卷积DCNv2融合的方式,增强模型特征提取能力;此外,在骨干网络输出层引入大动态选择性模块LSKNet,来扩大模型的感受野并提高目标检测的准确性;最后,选择SIoU损失函数替换CIoU损失函数,增强网络收敛效果,从而提高识别精度。改进后YOLOv8n方法在CSU_STEEL数据集上测试,实验结果表明,平均精度均值(mAP)mAP@0.5比原模型提高8.6%,达到82.3%,体积只增加0.5 MB。改进后的方法对带钢表面缺陷有更好检测结果,可为带钢缺陷检测方法的研究提供参考意义。

基于改进YOLOv8模型的PCB电路板缺陷检测方法研究

针对现有PCB电路板缺陷检测方法普遍存在的准确率低、处理速度慢、适应性差等问题,本文设计提出了一种基于YOLOv8的改进电路板缺陷检测模型YOLOv8-PCB。该模型通过引入注意力机制,并结合数据增强和多尺度训练策略,能够有效提升缺陷检测准确率和处理速度。与此同时,考虑到PCB电路板的背景信息比较单一,通用目标检测模型性能受限的问题,本文进一步设计采用了一种LSKNet注意力机制,通过在特征提取时自适应动态调整目标感受视野,从而提升模型对小缺陷的目标检测能力。通过各项试验结果表明,本文提出的算法模型在测试数据集下的平均准确率、召回率分别为95.0%和93.3%,分别优于原始YOLOv8算法91.8%和90.9%。且模型参数量更小,在提升检测性能的同时能够兼顾算法计算效率,因此可以快速地、准确地实现PCB电路板的缺陷检测,为智慧工厂、智能装备等领域提供技术支持。