单晶硅生产过程中,引晶工艺产生的缺陷严重影响产品质量,传统的基于视觉的缺陷检测方法在检测引晶图像中的凸点小目标时,存在检测速度慢、参数量大、难以部署在嵌入式终端等不足。为此,提出了一种改进的YOLOv8目标检测模型,引入了Contex...单晶硅生产过程中,引晶工艺产生的缺陷严重影响产品质量,传统的基于视觉的缺陷检测方法在检测引晶图像中的凸点小目标时,存在检测速度慢、参数量大、难以部署在嵌入式终端等不足。为此,提出了一种改进的YOLOv8目标检测模型,引入了ContextGuided模块,提高了模型的推理效率;在特征融合网络中引入更为高效的DySample,优化了特征融合的效率和深度;采用轻量级网络结构,减少了模型的复杂度和计算量,使其适应计算资源有限的终端设备。在工业数据集上进行了训练和测试,实验结果表明,对凸点小目标的检测更加准确,mAP(mean average precision)达到97.7%,在精确率上相对于YOLOv8n提升了11.6%,同时参数量减少31.9%,方便部署在嵌入式终端。展开更多
为了对纺织工业中不同尺度织物瑕疵进行快速检测,提出基于改进YOLOv8的织物瑕疵检测模型YOLOv8-MED,结合MBConv模块和EMA(Efficieent Multi Scale Attention)注意力机制优化YOLOv8骨干网络深层的C2f(Faster Implementation of CSP Bottl...为了对纺织工业中不同尺度织物瑕疵进行快速检测,提出基于改进YOLOv8的织物瑕疵检测模型YOLOv8-MED,结合MBConv模块和EMA(Efficieent Multi Scale Attention)注意力机制优化YOLOv8骨干网络深层的C2f(Faster Implementation of CSP Bottleneck with 2 Convolutions)模块,提高对小目标特征的提取效率,并有效减轻模型体积;引入超轻量化且高效的动态上采样模块Dysample增强对图像细节的捕捉,进一步保留图像的细节信息;采用MPDIoU(Maximized Position-Dependent IoU)损失函数优化预测框与真实框之间的位置,从而提升检测精度。实验结果表明,YOLOv8-MED在天池布匹数据集上的精确率、召回率和mAP@50分别提升了6.4%、10.9%和6.7%,显著提升了检测性能,并且减少了模型参数量。展开更多
文摘单晶硅生产过程中,引晶工艺产生的缺陷严重影响产品质量,传统的基于视觉的缺陷检测方法在检测引晶图像中的凸点小目标时,存在检测速度慢、参数量大、难以部署在嵌入式终端等不足。为此,提出了一种改进的YOLOv8目标检测模型,引入了ContextGuided模块,提高了模型的推理效率;在特征融合网络中引入更为高效的DySample,优化了特征融合的效率和深度;采用轻量级网络结构,减少了模型的复杂度和计算量,使其适应计算资源有限的终端设备。在工业数据集上进行了训练和测试,实验结果表明,对凸点小目标的检测更加准确,mAP(mean average precision)达到97.7%,在精确率上相对于YOLOv8n提升了11.6%,同时参数量减少31.9%,方便部署在嵌入式终端。
文摘为了对纺织工业中不同尺度织物瑕疵进行快速检测,提出基于改进YOLOv8的织物瑕疵检测模型YOLOv8-MED,结合MBConv模块和EMA(Efficieent Multi Scale Attention)注意力机制优化YOLOv8骨干网络深层的C2f(Faster Implementation of CSP Bottleneck with 2 Convolutions)模块,提高对小目标特征的提取效率,并有效减轻模型体积;引入超轻量化且高效的动态上采样模块Dysample增强对图像细节的捕捉,进一步保留图像的细节信息;采用MPDIoU(Maximized Position-Dependent IoU)损失函数优化预测框与真实框之间的位置,从而提升检测精度。实验结果表明,YOLOv8-MED在天池布匹数据集上的精确率、召回率和mAP@50分别提升了6.4%、10.9%和6.7%,显著提升了检测性能,并且减少了模型参数量。
