基于CBAM改进的YOLOv8在钢材表面缺陷检测中的应用与评估OA
目前中国为世界最大的钢材生产国,钢材表面缺陷检测具有重要的实际经济意义。当前工业界提出很多检测手段,但在有干扰噪声时会出现显著的精度下降,部分模型还会出现推理速度下降的现象。YOLO(You Only Look Once)系列模型在图像领域均展现出卓越性能,在此基础上,本文提出将卷积块注意力模块(Convolutional Block Attention Module,CBAM)嵌入YOLOv8的主干C2f和颈部FPN/PAN的集成方法思路。在NEU-DET数据集上使用统一训练方法与相同准确度进行实验检测,YOLOv8+CBAM在mAP50指标上获得比YOLOv8模型高4.5个百分点的提升,同时模型参数大小与FLOPs相近,推理速度也具有实际应用的可能。消融实验探究了通道注意力(Channel Attention,CA)与空间注意力(Spatial Attention,SA)的组合与各个模块单独插入的模型效果比较。各项结果显示本文提出的YOLOv8+CBAM能有效增强YOLOv8对钢材表面缺陷检测能力,也具有较好的精度效率权衡与工程可落地性。
陈森;李程
上海市第二工业大学职业技术教师教育学院,上海201209上海市第二工业大学职业技术教师教育学院,上海201209
矿业与冶金
工业检测表面缺陷NEU-DETYOLOv8CBAM
《新一代信息技术》 2026 (1)
P.24-29,6
评论