文献类型：期刊文章

作　　者：王春梅[1,2] 刘欢[1,2]

WANG Chunmei;LIU Huan(School of Computer Science,Xi’an University of Posts&Telecommunications,Xi’an 710121,China;Shaanxi Key Laboratory of Network Data Analysis and Intelligent Processing,Xi’an University of Posts&Telecommunications,Xi’an 710121,China)

机构地区：[1]西安邮电大学计算机学院,西安710121 [2]西安邮电大学陕西省网络数据分析与智能处理重点实验室,西安710121

出　　处：《计算机科学与探索》

基　　金：国家重点研发计划(2018YFB1402905);陕西省重点研发计划(2020GY-210);陕西省技术创新引导专项(2022PT-49)。

年　　份：2024

卷　　号：18

期　　号：1

起止页码：151-160

语　　种：中文

收录情况：BDHX、BDHX2023、CSCD、CSCD2023_2024、DOAJ、IC、JST、SCOPUS、ZGKJHX、核心刊

摘　　要：目前在带钢表面缺陷检测领域,通用的目标检测算法复杂度高、计算量庞大,而一些中小型企业负责检测的终端设备通常不具备较强的计算能力,计算资源有限,从而导致检测算法部署困难。为解决该问题,基于YOLOv8n目标检测框架,提出一种轻量级的带钢表面缺陷检测模型YOLOv8-VSC。该模型使用轻量级的VanillaNet网络作为骨干特征提取网络,通过减少不必要的分支结构降低模型的复杂度。同时,引入SPD模块在减少网络层数的同时加快模型的推理速度。为了进一步提升检测精度,在特征融合网络中,使用轻量级的上采样算子CARAFE,提高融合特征的质量和丰富度。最后,在NEU-DET数据集上进行大量实验,得到模型的参数量与计算量为1.96×106和6.0 GFLOPs,仅为基线的65.1%和74.1%,mAP达到80.8%,较基线提升1.8个百分点。此外,在铝材表面缺陷数据集和VOC2012数据集上的实验结果表明所提算法具有良好的鲁棒性。与先进的目标检测算法相比,所提算法在保证高检测精度的前提下需要的计算资源更少。

关 键 词：缺陷检测  带钢表面缺陷 YOLOv8  轻量级网络  VanillaNet  

分 类 号：TP391]