-
题名基于ESE-YOLO的钢带表面缺陷检测研究
被引量：1
- 1
-
-
作者
沈冰星
黄洪琼
-
机构
上海海事大学信息工程学院
-
出处
《电子测量与仪器学报》
北大核心
2025年第8期126-135,共10页
-
文摘
针对传统钢带表面缺陷检测方法特征提取能力不足、检测精度受限以及计算资源消耗大的问题,提出了一种基于YOLOv8的ESE-YOLO模型,旨在有效检测钢带表面缺陷。首先,为增强模型对边缘特征的提取能力,引入EIEStem高效前端模块,该模块通过SobelConv分支提取图像的边缘信息,并结合池化分支捕获重要空间信息,从而提升模型对缺陷区域的感知能力。其次,在主干网络部分,将shift-wise convolution与C2f模块融合,构建C2f_SWC模块,通过位移操作扩展模型的视野,增强其对上下文信息的捕捉能力,进一步提高空间特征的提取精度。此外,为优化特征金字塔网络的结构,采用高效多分支与尺度特征金字塔网络(EMBSFPN)模块,根据不同尺度的特征层自适应选择多尺度卷积核,实现对多尺度感知信息的逐步获取,并通过加权融合不同尺度特征的重要性提升检测精度,同时显著降低模型的参数量和计算成本。实验结果表明,与原始YOLOv8n相比,ESE-YOLO在NEU-DET数据集上的平均精度均值(mAP)提高了4.1%,参数量下降26.8%,浮点运算量减少64%;在GC10-DET数据集上,mAP提高了9.9%。ESE-YOLO在显著提升检测精度的同时,大幅降低了计算资源需求,更好满足工业场景中资源受限设备的部署需求。
-
关键词
缺陷检测
YOLOv8n
EIEStem
shift-wise
convolutio
embsfpn
-
Keywords
defect detection
YOLOv8n
EIEStem
shift-wise convolution
embsfpn
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
TN911.73
[电子电信—通信与信息系统]
-
