基于轻量化Mamba-YOLO模型的梨表面缺陷检测方法OA

[目的/意义]针对当前砀山梨表面缺陷因尺度小而导致检测精度差的问题,本研究提出了一种基于改进Mamba-YOLO的轻量化高精度模型,旨在实现检测精度与效率的平衡。[方法]首先,采用动态上采样模块,相较于现有Mamba-YOLO的上采样模块具有更少的参数量和浮点运算次数,可在保障模型计算效率的同时,提升对缺陷细节信息的保留能力。其次,提出频率自适应空洞卷积,通过动态调整卷积核尺寸,使网络依据输入局部特征自适应选择匹配的卷积核,从而增强对缺陷的特征提取能力。最后,融合压缩和激励模块和通道混合器卷积门控线性单元,同时引入多尺寸卷积核提取多尺度特征,进一步提升模型对局部细节的捕捉能力与鲁棒性。[结果和讨论]改进后的算法在砀山梨测试集上经过评估,平均精度均值达到了95.1%,帧率达到了72帧/s。与YOLOv8n、Gold-YOLO-N和YOLOv12n相比,平均精度均值分别高出了4.7、5.3和6.3个百分点;与基准Mamba-YOLO-T相比,平均精度均值提升了3.4个百分点,帧率提高了10.8个百分点。[结论]改进模型在提升综合检测性能的同时降低了计算复杂度与参数量,可为轻量化梨表面缺陷检测研究提供可靠的算法支撑。