针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题,提出一种基于改进YOLOv8的车辆漆面检测算法。首先,为了提升划痕状缺陷检测能力并降低模型规模,将DAT(Deformable Attention Transformer)注意力机制引入主干网络...针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题,提出一种基于改进YOLOv8的车辆漆面检测算法。首先,为了提升划痕状缺陷检测能力并降低模型规模,将DAT(Deformable Attention Transformer)注意力机制引入主干网络来增强长距离特征依赖关系,同时使用幻影卷积(GhostConv)替换网络中的卷积(Conv)模块。然后,为了提升特征提取能力并进一步降低模型规模,结合FasterBlock模块与高效多尺度注意力(EMA)机制提出C2f-E(C2f Based on EMA)模块。接着,为了提高小目标检测性能,基于双向特征金字塔网络(BiFPN)进行设计,并增加小目标检测头与多尺度特征融合支路,提出BiFPN-D(BiFPN with Small Object Detection Head)颈部金字塔结构。最后,为了解决难易样本的平衡问题并提高针对小目标缺陷的检测性能,使用WIoUv3(Wise-Intersection over Union version 3)作为训练网络的损失函数。在自建的车辆漆面缺陷数据集上进行训练并开展对比实验。实验结果表明,相较于YOLOv8n,改进模型的均值平均精度(mAP@0.5)提高了5.5百分点、规模减小了1.4×106。展开更多
文摘针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题,提出一种基于改进YOLOv8的车辆漆面检测算法。首先,为了提升划痕状缺陷检测能力并降低模型规模,将DAT(Deformable Attention Transformer)注意力机制引入主干网络来增强长距离特征依赖关系,同时使用幻影卷积(GhostConv)替换网络中的卷积(Conv)模块。然后,为了提升特征提取能力并进一步降低模型规模,结合FasterBlock模块与高效多尺度注意力(EMA)机制提出C2f-E(C2f Based on EMA)模块。接着,为了提高小目标检测性能,基于双向特征金字塔网络(BiFPN)进行设计,并增加小目标检测头与多尺度特征融合支路,提出BiFPN-D(BiFPN with Small Object Detection Head)颈部金字塔结构。最后,为了解决难易样本的平衡问题并提高针对小目标缺陷的检测性能,使用WIoUv3(Wise-Intersection over Union version 3)作为训练网络的损失函数。在自建的车辆漆面缺陷数据集上进行训练并开展对比实验。实验结果表明,相较于YOLOv8n,改进模型的均值平均精度(mAP@0.5)提高了5.5百分点、规模减小了1.4×106。
