文献类型：期刊文章

作　　者：崔克彬[1,2] 焦静颐[1]

CUI Kebin;JIAO Jingyi(Department of Computer Science,North China Electric Power University,Baoding Hebei 071003,China;Engineering Research Center of Intelligent Computing for Complex Energy Systems,Ministry of Education,Baoding Hebei 071003,China)

机构地区：[1]华北电力大学计算机系,河北保定071003 [2]复杂能源系统与智能计算教育部工程研究中心,河北保定071003

出　　处：《图学学报》

年　　份：2024

卷　　号：45

期　　号：1

起止页码：112-125

语　　种：中文

收录情况：BDHX、BDHX2023、CSCD、CSCD_E2023_2024、JST、SCOPUS、ZGKJHX、核心刊

摘　　要：针对现有基于深度学习的钢材表面缺陷检测算法存在误检、漏检和检测精度低等问题,提出一种基于改进CBAM(modified CBAM,MCB)和可替换四头ASFF预测头(four-head ASFF prediction head,FAH)的YOLOv8钢材表面缺陷检测算法,简记为MCB-FAH-YOLOv8。通过加入改进后的卷积注意力机制模块(CBAM)对密集目标更好的确定;通过将FPN结构改为BiFPN更加高效的提取上下文信息;通过增加自适应特征融合(ASFF)自动找出最适合的融合特征;通过将SPPF模块替换为精度更高的SimCSPSPPF模块。同时,针对微小物体检测,提出了四头ASFF预测头,可根据数据集特点进行替换。实验结果表明,MCB-FAH-YOLOv8算法在VOC2007数据集上检测精度(mAP)达到了88.8%,在NEU-DET钢铁缺陷检测数据集上检测精度(mAP)达到了81.8%,较基准模型分别提高了5.1%和3.4%,该算法在牺牲较少检测速度的情况下取得较高的检测精度,很好的平衡了算法的精度和速度。

关 键 词：MCB-FAH-YOLOv8  缺陷检测  注意力机制  四头ASFF预测头  特征融合  

分 类 号：TP391]