基于ESE-YOLO的钢带表面缺陷检测研究
摘要：
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.
展开
-
作者：
沈冰星,黄洪琼
-
刊名：
电子测量与仪器学报
-
年期：
2025.8
在线阅读
收藏