改进YOLOv8的烟盒缺陷检测算法

近年来,人们对于烟盒包装质量的要求越来越高,在现代化的生产中,烟盒的生产速度大幅度提升,生产设备也都实现了智能化。但是,对于烟盒的表面质量检测仍然采用人工的方式进行。针对人工烟盒表面缺陷检测容易发生漏检、错检等问题,提出了一种基于改进YOLOv8的烟盒缺陷检测算法。首先在YOLOv8的颈部网络引入了GD机制,提高了模型对于不同层级间的信息融合能力;其次加入了尺度序列特征融合模块,增强了网络对不同尺度信息的提取能力;最后使用RT-DETR的Decoder替换YOLOv8的头部网络,这使得网络模型无需依赖于复杂的NMS后处理步骤,大大简化了检测流程并提高了效率。实验结果表明:改进后的算法模型在自制的烟盒缺陷数据集上与YOLOv8算法相比检测精度提升到了94.6%,检测速度达到了121.4 FPS。并且与其他目标检测算法相比,改进后的算法在检测精度和检测速度方面有一定的优势,更适合应用在烟厂对烟盒表面质量的检测。