-
题名类别不均衡的少样本工业产品表观缺陷检测
- 1
-
-
作者
王素琴
杜雨洁
石敏
朱登明
-
机构
华北电力大学控制与计算机工程学院
中国科学院计算技术研究所
太仓中科信息技术研究院
-
出处
《图学学报》
北大核心
2025年第3期568-577,共10页
-
基金
苏州市科技计划前沿技术研究项目(SYG202327)。
-
文摘
通用的目标检测网络在缺陷样本数量较少、缺陷类别分布不均衡时,总体检测精度偏低,在缺陷样本稀少的尾部类别上检测精度更低。为此,提出了一种基于改进YOLOv8s的工业产品表观缺陷检测方法。通过在Neck网络使用幻影卷积(GSConv),降低网络复杂度的同时增强网络非线性能力,以避免过拟合风险。利用聚合模块VoV-GSCSP进一步提取与融合不同层次特征,提升网络特征提取与融合能力。通过采用重加权损失函数以平衡不同类别样本的训练损失贡献,加大尾部类别样本的损失贡献占比,从而提高尾部类别缺陷的检测精度。相比基线模型,改进方法对针灸针表观缺陷检测精度mAP为93.3%,提高5.0%,样本最少的断针缺陷提升9.1%;药板表观缺陷检测精度mAP为91.4%,提高2.6%,样本最少的脏污缺陷提升3.2%。在样本较多且分布不均衡的钢材数据集上,整体缺陷检测精度mAP提高2.6%。实验表明,该改进方法在缺陷样本少且类别分布不均衡时,可有效提升工业产品表观缺陷总体检测精度,对样本稀少的尾部类别检测精度改善明显,泛化性良好。
-
关键词
表观缺陷检测
少样本
类别不均衡
GSConv
重加权损失函数
-
Keywords
apparent defect detection
small sample size
class imbalance
GSConv
re-weighting loss function
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—控制理论与控制工程]
TB497
[一般工业技术]
-
