基于YOLOv8-CCF的金属表面锈蚀颗粒的识别检测OA

金属表面锈蚀的检测是激光智能清洗系统实现实时质量评估的关键技术,但传统视觉检测方法对小尺度锈蚀颗粒的识别能力不足。基于YOLO(You Only Look Once)算法,提出一种改进模型。该模型在骨干网络中嵌入卷积块注意力模块(Convolutional Block Attention Module,CBAM),增强复杂背景下的特征鉴别能力;设计基于部分卷积的跨阶段部分金字塔连接(Cross Stage Partial with Pyramid Concatenation,CSPPC)模块替代带聚焦机制的第二代跨阶段局部网络(Cross Stage Partial Network 2 with Focus,C2f)模块,减少了3.11%的参数量,计算量浮点数降低了6.64%;采用聚焦高效交并比(Focal and Efficient Intersection over Union,Focal-EIoU)损失函数,优化边界框的回归过程,并有效缓解了正样本和负样本之间的不平衡状况。结果表明,该YOLOv8-CCF(YOLOv8-CBAM-CSPPC-Focal-EIoU)算法改进模型在自制数据集上,在95%交并比阈值下的平均精度均值(mean Average Precision at 95%Intersection over Union,mAP@95%)达到0.96902,较原模型提升了5.003%,参数量减少至21.3万,检测速度达500 f/s,显著改善了小目标漏检问题。该模型为金属表面锈蚀的实时检测与激光自动化除锈提供了有效解决方案。