一种基于YOLOv8n目标检测框架的轻质钢表面缺陷检测模型

本发明涉及一种缺陷检测模型，具体涉及一种基于yolov8n目标检测框架的轻质钢表面缺陷检测模型。

背景技术：

1、在工业生产领域，产品表面缺陷的准确检测是保证产品质量的关键步骤。这一过程在金属和塑料产品的制造中尤为重要，因为表面缺陷不仅会损害产品的外观，而且在严重的情况下，会影响其性能和耐久性。随着技术的发展，特别是在自动化和智能方面，自动化表面异常检测技术已成为目视检测领域的研究热点，提供了巨大的潜力和实际应用价值。

2、传统上，表面缺陷的检测主要依靠人工目视检查，这种方法不仅效率低效、耗时，而且非常容易受到检查员的主观判断的影响。随着深度学习技术的兴起和发展，基于深度学习的缺陷检测模型因其效率和准确性而受到人们的广泛关注。然而，这些模型通常需要较高的计算能力和大量的存储空间，这限制了它们在计算和存储能力有限的便携式设备上的应用。

3、因此，在当前的技术背景下，开发轻量级的自动缺陷检测模型，可以在硬件有限的设备上运行，同时具有良好的泛化能力，已经变得尤为重要。这种模型不仅可以提高生产效率和产品质量，而且有助于减轻人工检查的负担，对实际应用领域具有重要价值，为了解决这一问题，本文提出了一种基于yolov8n目标检测框架的轻质钢表面缺陷检测模型yolov8-bvc。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于yolov8n目标检测框架的轻质钢表面缺陷检测模型。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种基于yolov8n目标检测框架的轻质钢表面缺陷检测模型yolov8-bvc，提出在手持设备上运行工业表面缺陷检测模型存在的问题，使用一个包含最少数量的参数的基于yolov8的轻量级网络结构。

3、优选的，采用解耦的检测头来分离分类和分割检测，加入外部数据集，并进行了离线数据增强，确保在各种场景中具有更好的性能。

4、优选的，在主干网中，yolov8n采用了比yolov5更轻的c2f模块，取代了yolov5中的c3模块。

5、第一层卷积从6×6改变为3×3卷积，深度从c3模块的3、6、9、3改变为c2f的3、6、6、3。

6、在neck中，与yolov5相比，yolov8n删除了1×1卷积降采样层，并用c2f模块替换了c3模块。

7、在检测头中，yolov8n使用了一个解耦的头部结构，将分类和回归任务分离出来，并从基于锚转向无锚。此外，yolov8n采用bce损失作为分类损失，采用dfl损失采用+ciou损失作为回归损失。

8、优选的，输入方法包括镶嵌数据增强、自适应锚定计算、自适应图像缩放、镶嵌数据增强等功能模块，包括缩放、颜色空间调整和镶嵌增强三种方法。

9、随机缩放增加了许多小目标，使其非常适合于解决图像中主要是小目标的问题。

10、自适应图像缩放只在检测过程中使用，混合数据的增强鼓励模型对训练样本有一个线性的理解，对两个图像的像素值进行线性混合。

11、优选的，用于提取图像特征的主干网络包括一个注意机制模块、跨阶段部分网络和空间金字塔池结构。具体地说，聚焦模块在图像进入主干网络之前进行操作，对图像进行切片，对新生成的图像进行卷积运算，得到2倍的降采样特征图，瓶颈层使用了1x1的卷积神经网络。c2f网络在保持亮度的同时，获得了更丰富的梯度流信息。

12、优选的，颈部结构由上采样层和c2块组成。

13、pan结构从自下而上执行降采样，确保顶层特征包含图像位置信息。

14、fpn结构从上到下的上采样，融合了高级特征和低级特征。

15、基于fpn模块，增加了一个自底而上的特征金字塔结构，进一步提高了整体特征提取能力。

16、优选的，在yolov8中采用解耦的检测头，提高了检测性能。相应地，回归水头中的通道数也发生了变化。

17、在将yolo算法应用于工业表面缺陷检测任务时，选择yolov8n算法的最小权重模型。

18、优选的，提出一个轻量级的工业表面缺陷检测模型，yolov8-bvc，在骨干特征提取网络中，引入轻量级的香草网络。

19、在香草网模块之后，嵌入了一个结合了cnn和变压器的优点的bot模块。

20、在yolov8n主干的末端和在颈部的c2f之后，嵌入了一个ca(通道注意)模块。

21、优选的，将vanillanet模块引入到基线模型yolov8n的主干特征提取网络中。

22、通过降采样将原始的3通道图像转换为带有c通道的特征图，使用一个步幅为2的最大池化层来调整特征图的大小，并且通道的数量比前一层增加了一倍，全连接层输出分类结果，所有卷积层都使用1个×1内核，并在每一层的末端添加bn(批处理归一化)，以简化网络的训练过程。

23、优选的，基于变压器的模型固有地获取全局信息，在botnet中，mhsa块取代了标准的3x3卷积模块cbs。

24、优选的，采用ca注意在yolov8主干网络的末端和颈部的每两个特征融合点之间引入了进行局部特征增强的机制，确保融合的特征图包含更多的相关信息。

25、采用全局平均池的分解来捕获来自遥远区域的精确位置信息的空间交互作用。

26、进行数据扩充，构造解耦检测头，将目标检测任务分解为类别预测和边界盒预测两个子任务，从而实现任务解耦。

27、在训练阶段，使用了一个单一的gpu(geforce rtxtm 308010g)，应用了镶嵌数据增强技术，并使用余弦退火策略进行调整，批处理大小设置为16，sgd优化器是选择，训练的时间分为300个时代。

28、本发明公开了一种基于yolov8n目标检测框架的轻质钢表面缺陷检测模型yolov8-bvc，其具备的有益效果如下：

29、1、该基于yolov8n目标检测框架的轻质钢表面缺陷检测模型，yolov8-bvc在主干特征提取网络中加入了一个轻量级的香草网络，以减少不必要的分支结构，从而降低了模型的复杂性。此外，结合cnn和变压器优势的bot模块，以提高特征信息处理，提高检测速度。这使得该模型即使在计算能力较低的手持设备上也能实现有效的推理速度。此外，ca模块集成在yolov8n主干的末端和c2f颈部之后，以增强特征提取能力，强调表面裂纹检测的关键信息，从而提高各种场景的精度和模型泛化。

30、2、该基于yolov8n目标检测框架的轻质钢表面缺陷检测模型，我们应用了数据增强，并使用单一的gpu(geforce rtxtm 308010g)进行训练。在我们的模型中，检测头被解耦为两个子任务：类别预测和分割预测，实现了任务解耦。bvc-yolo在训练中达到了97.4％的最佳map。虽然与segnet相比，bvc-yolo的map略低(下降了2.5％)，但模型尺寸显著减少了近60mb，只有1.96m参数和6.0gflops，同时实现了263/s的fps。这些结果表明，bvc-yolo适合于部署在手持设备上。

31、3、该基于yolov8n目标检测框架的轻质钢表面缺陷检测模型，为了增强模型的泛化，合并了另一个数据集“分段钢缺陷检测”，提供了四种类型的钢表面缺陷(划痕、坑、水泡、斑点)。通过将来自该数据集的训练数据与包含裂纹的原始数据相结合，生成了一个包含表面缺陷检测图像的混合数据集。利用增强数据集进行300轮训练后，我们的模型能够识别出表面裂纹等五种类型的表面缺陷，有效地提高了模型的泛化性。