基于改进YOLOv8模型的小盒烟包外观缺陷识别方法OA

为解决复杂背景下小盒烟包外观缺陷识别存在漏检、误检及检测效率低等问题,设计了一种基于改进YOLOv8模型的小盒烟包外观缺陷识别方法。先通过基于链式思维提示的自适应图像增强模块对输入图像进行预处理,消除图像中的背景噪声;再构建改进YOLOv8模型,利用轻量级注意力(CA)模块,将特征的位置信息嵌入到通道注意力模块中,并采用可变形卷积网络(DCN),使卷积核能够自适应地调整感受野形状,以精准捕获小盒烟包封口褶皱、图文残缺等不规则轮廓特征;最后,通过联合权重函数实现缺陷类型的精准分类。结果表明:(1)相较于原始YOLOv8模型,改进YOLOv8模型的精确率、平均检测精度和召回率分别提升了7.0、4.9和7.0百分点,且模型大小降低。(2)与Faster R-CNN等主流目标检测模型相比,改进YOLOv8模型的精确率、平均检测精度和召回率明显较高,在小盒烟包缺陷识别任务中表现优异。(3)在实际应用中,对实时采集到的20000张小盒烟包图像进行缺陷识别,识别准确率为99.995%,召回率为100%,平均检测速率为50 FPS,能够对不同类别的小盒烟包缺陷进行有效识别,满足实际工况下的使用需求。该研究为小盒烟包外观缺陷检测提供了技术支撑。