轻量化YOLOv8的小样本钢板缺陷检测算法

doi:10.3778/j.issn.1002-8331.2311-0070

摘要/摘要

摘要：钢板的表面积较大，表面缺陷非常常见，且呈现多类少量的特点。深度学习很难有效应用于此类小样本缺陷的检测中。为了解决此问题，提出一种基于轻量化YOLOv8公司的小样本钢板缺陷检测算法，提出一种基于模糊搜索的交互式数据增强算法，可有效解决训练样本缺失导致网络模型无法得到有效训练的问题，使深度学习应用于该领域成为可能。设计LMSRNet（轻量级多尺度残差网络）的主干，以实现网络模型的轻量化，并提高其可移植性。提出CBFPN（上下文双向特征金字塔网络）和ECSA（高效通道空间关注）路线明智的IoU损失函数以提高检测性能。对比实验结果表明，与原YOLOv8公司算法相比，改进后的网络参数量只有原网络的30%，计算量是原网络的49%，FPS 9？帧/第页精确率、召回率、最大允许偏差2.9、6.5、5.5个百分点，实验结果充分验证了该算法的优势。

关键词: 检查，小样本, YOLOv8，轻量化网络, 注意力机制

摘要：钢板的表面积大，表面缺陷很常见，表现出多类、少量的特点。深度学习很难有效地应用于此类小样本缺陷的检测。为了解决这个问题，提出了一种基于轻量级YOLOv8的小样本钢板缺陷检测算法。首先，提出了一种基于模糊搜索的交互式数据增强算法，有效地解决了由于缺乏训练样本而无法有效训练网络模型的问题，使深度学习在该领域得到应用成为可能。然后，设计LMRNet（轻量级多尺度剩余网络）网络来代替YOLOv8的主干，实现网络模型的轻量级并提高其可移植性。最后，提出了CBFPN（上下文双向特征金字塔网络）和ECSA（高效通道空间注意）模块，以使网络更有效地提取和融合疤痕特征，并采用Wise-IoU损失函数来提高检测性能。对比实验结果表明，与原YOLOv8算法相比，改进后的网络参数数量仅为原网络的30%，计算量为原网络49%，FPS增加了9帧/s，准确率、召回率和mAP增加了2.9，分别为6.5和5.5个百分点。实验结果充分验证了该算法的优点。

关键词： 缺陷检测，小样本， YOLOv8，轻量级网络，注意机制

窦智, 高浩然, 刘国奇, 常宝方. 轻量化YOLOv8型的小样本钢板缺陷检测算法[J] 。计算机工程与应用, 2024年，60（9）：90-100。

窦志、高浩然、刘国奇、常宝芳。轻量化YOLOv8的小样本钢板缺陷检测算法[J]。计算机工程与应用，2024，60（9）：90-100。

参考文献

[1] 王磊，刘霞，马杰，等.基于改进多尺度YOLO-v5的钢表面缺陷实时检测[J]。过程，2023，11（5）:1357。
[2] HUA S，YU S，HONG X，等.基于改进YOLOv4网络的输电线路异物高效检测方法研究[J]。物理学杂志：会议系列，2022，2404（1）：012040。
[3] 于庆华，吴强，刘海清。基于卷积网络的x射线违禁品检测和重叠目标检测研究[C]//2022年第四届信息与计算机前沿技术国际会议，中国青岛，2022:736-741。
[4] REDMON J，FARHADI A.YOLO9000:更好，更快，更强[C]//2017 IEEE计算机视觉和模式识别会议（CVPR），2017:6517-6525。
[5] 刘伟，安格洛夫D，埃尔汉德，等.SSD:单次多盒探测器[C]//欧洲计算机视觉会议，2016:21-37。
[6] GIRSHICK R，DONAHUE J，DARRELL T，et al.用于精确对象检测和语义分割的丰富特征层次[C]//2014 IEEE计算机视觉和模式识别会议论文集，2014:580-587。
[7] GIRSHICK R.Fast R-CNN[C]//2015 IEEE计算机视觉国际会议。圣地亚哥：IEEE，2015:1440-1448。
[8] 肖青R，罗斯G，建S.Faster R-CNN：利用区域提议网络实现实时目标检测[J]。IEEE模式分析和机器智能汇刊，2017:1137-1149。
[9] CARION N，MASSA F，SYNNAEVE G，等.基于变压器的端到端目标检测[J]。arXiv:2005.128722020年。
[10] CHAO Z，XIN S，XI Y，et al.RDD-YOLO：一种改进的检测钢表面缺陷的YOLO[J]。测量，2023，214:112776。
[11] 崔克彬, 焦静颐. 基于MCB-FAH-YOLOv8型的钢材表面缺陷检测算法[J/OL]。图学学报, 2023:1-15【2023-10-20】。http://kns.cnki.net/kcms/detail/10.1034.t.20231019.1107.002.html。
CUI K B，JIAO J Y.基于MCB-FAH-YOLOv8的钢铁表面缺陷检测算法[J/OL]。《图形学杂志》，2023:1-15【2023-10-20】。http://kns.cnki.net/kcms/detail/10.1034.t.20231019.1107.002.html。
[12] 王昭，刘欢.YOLOv8-VSC：一种轻量级的带钢表面缺陷检测算法[J] 。计算机科学与探索, 2024, 18(1): 151-160.
王昌明，刘洪·约洛夫8-VSC：带钢表面缺陷检测的轻量级算法[J]。计算机科学与技术前沿杂志，2024，18（1）：151-160。
[13] 侯玥, 王开宇, 金顺福. 一种基于YOLOv5公司的小样本目标检测模型[J] 。燕山大学学报, 2023, 47(1): 64-72.
HOU Y，WANG K Y，JIN S F.一种基于YOLOv5的多目标检测模型[J]。燕山大学学报，2023，47（1）：64-72。
[14] 赵珊, 郑爱玲, 刘子路, 等. 通道分离双注意力机制的目标检测算法[J] 。计算机科学与探索, 2023, 17(5): 1112-1125.
赵S，郑阿乐，刘振林，等.基于信道分离双注意机制的目标检测算法[J]。计算机科学与技术前沿杂志，2023，17（5）：1112-1125。
[15] 赵睿, 刘辉, 刘沛霖, 等. 基于改进YOLOv5系列的安全帽检测算法[J] 。北京航空航天大学学报, 2023, 49(8): 2050-2061.
赵润，刘辉，刘佩林，等.基于改进YOLOv5s的安全帽检测算法[J]。北京航空航天大学学报，2023，49（8）：2050-2061。
[16] BOCHKOVSKIY A，WANG C Y，LIAO H Y M.YOLOv4：目标检测的最佳速度和精度[J]。arXiv:2004.109342020年。
[17] TERRANCE D，GRAHAM W.带截断的卷积神经网络的改进正则化[J]。arXiv:1708。04552, 2017.
[18] YANG G，WANG J，NIE Z，等.一种结合特征增强和注意力的轻量级YOLOv8番茄检测算法[J]。《农学》，2023，13（7）：1824。
[19]窦智, 胡晨光, 李庆华, 等. 改进YOLOv7公司的小样本钢板表面缺陷检测算法[J] 。，2023, 59(23): 283-292.
DOU Z，HU C G，LI Q H，等.小样本钢板表面缺陷检测的改进YOLOv7算法[J]。计算机工程与应用，2023，59（23）：283-292。
[20] 霍华德A，桑德勒M，CHU G，等.搜索MobileNetV3[J]。arXiv:1905.022442019年。
[21]韩凯，王毅，田强，等.GhostNet:廉价操作的更多功能[C]//2020 IEEE/CVF计算机视觉与模式识别会议，2019:1577-1586。
[22]TAN M，PANG R，LE Q V.Efficientdet:可伸缩且高效的目标检测[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2020：10781-10790。
[23]金海星，陶子，云天勇，等.用于微小目标检测的上下文增强和特征细化网络[C]//ICLR 2022会议撤回提交，2022。
[24]王庆林，吴伯庚，朱鹏飞，等.ECA-Net:深度卷积神经网络的有效信道关注[C]//2020 IEEE/CVF计算机视觉与模式识别会议，2019:11531-11539。
[25]ZHU X，CHENG D，ZHANG Z，et al.深度网络中空间注意机制的实证研究[C]//2019 IEEE/CVF国际计算机视觉会议（ICCV），韩国首尔，2019:6687-6696。
[26] 刘卫光, 刘东, 王璐. 可变形卷积网络研究综述[J] 。计算机科学与探索, 2023年，17（7）：1549-1564。
刘伟光，刘迪，王磊。可变形卷积网络综述[J]。计算机科学与技术前沿杂志，2023，17（7）：1549-1564。
[27]郑Z，王平，刘伟，等.距离-IoU损失：边界盒回归的更快更好学习[C]//AAAI人工智能会议论文集，2020。
[28]佟泽，陈毅，徐志，等.Wise-IoU：动态聚焦机制的包围盒回归损失[J]。arXiv:2301.100512023。
[29]REDMON J，FARHADI A.YOLOv3：增量改进[J]。arXiv:1804.027672018年。
[30]GLENN J，CHAURASIA A，ALEX S，et al.Ultralytics/yolov5:V7.0-yolov5 SOTA实时实例分段[DB]。泽诺，2022年。
[31]LI C Y，LI L，JIANG H L，et al.YOLOv6:一种用于工业应用的单级对象检测框架[J]。arXiv:2209.029762022年。
[32]WANG C Y，BOCHKOVSKIY A，LIAO H Y M.YOLOv7:可培训的免费行李为实时目标探测器设置了新的最先进技术[C]//IEEE/CVF计算机视觉和模式识别会议记录，2022:7464-7475。
[33]LV W Y，XU S L，ZHAO Y，等.DETRs在实时目标检测方面击败了YOLOs[J]。arXiv:2304.080692023年。

轻量化YOLOv8公司的小样本钢板缺陷检测算法

轻型YOLOv8小样本钢板缺陷检测算法

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

编辑推荐

韵律学

[1]	张洋宁, 朱静, 董瑞, 尤泽顺, 王震.多层级信息增强异构图的篇章级话题分割模型[J] 。计算机工程与应用, 2024, 60(9): 203-211.
[2]	陶林娟, 华庚兴, 李波.基于位置增强词向量和粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗粗的方面级情感分析模型研究[J] 。计算机工程与应用, 2024年，60（9）：212-218。
[3]	江结林, 朱永伟, 许小龙, 崔燕, 赵英男.混合特征及多头注意力的中文短文本分类[J] 。计算机工程与应用, 2024, 60(9): 237-243.
[4]	刘牧云, 卞春江, 陈红珍.基于特征解耦的少样本遥感飞机图像增广算法[J] 。计算机工程与应用, 2024, 60(9): 244-253.
[5]	李钟华, 林初俊, 朱恒亮, 廖诗宇, 白云起.基于结构感知和全局上下文信息的小目标检测[J] 。计算机工程与应用, 2024, 60(9): 292-298.
[6]	廉露, 田启川, 谭润, 张晓行.基于神经网络的图像风格迁移研究进展[J] 。计算机工程与应用, 2024, 60(9): 30-47.
[7]	史涛, 崔杰, 李松.优化改进YOLOv8公司实现实时无人机车辆检测的算法[J] 。计算机工程与应用, 2024, 60(9): 79-89.
[8]	石洋宇, 左景, 谢承杰, 郑棣文, 卢树华.多尺度融合与FMB YOLOv8异常行为检测方法[J] 。计算机工程与应用, 2024, 60(9): 101-110.
[9]	蔡腾, 陈慈发, 董方敏.结合变压器和动态特征融合的低照度目标检测[J] 。计算机工程与应用, 2024, 60(9): 135-141.
[10]	潘玮, 韦超, 钱春雨, 杨哲.面向无人机视角下小目标检测的YOLOv8s公司[J] 。计算机工程与应用, 2024, 60(9): 142-150.
[11]	王永贵, 王芯茹.佛罗里达州[J] 。计算机工程与应用, 2024, 60(8): 287-295.
[12]	周伯俊, 陈峙宇.基于深度元学习的小样本图像分类研究综述[J] 。，2024, 60(8): 1-15.
[13]	郭金, 宋廷强, 孙媛媛, 巩传江, 刘亚林, 马兴录, 范海生.完深标签v3+工作[J] 。计算机工程与应用, 2024, 60(8): 110-120.
[14]	刘明, 杜建强, 李郅琴, 罗计根, 聂斌, 张梦婷.融合拉索的近似马尔科夫毯特征选择方法[J] 。计算机工程与应用, 2024, 60(8): 121-130.
[15]	曹钢钢, 王帮海, 宋雨.结合数据增强的跨模态行人重识别轻量网络[J] 。计算机工程与应用, 2024, 60(8): 131-139.