计算机工程

作者：彭菊红, 张弛, 高谦, 张光明, 谈栋华, 赵明俊

单位：1. 湖北大学人工智能学院, 湖北 武汉 4300622. 湖北大学计算机与信息工程学院, 湖北 武汉 430062

关键词：多尺度交叉融合网络,YOLOv8网络,坐标注意力机制,钢材缺陷检测,可变形卷积

在工业场景下钢材表面缺陷检测技术存在检测精度低、收敛速度慢等问题。为此, 提出一种改进的YOLOv8算法YOLOv8n-MDC。首先, 在骨干网络中加入多尺度交叉融合网络(MCN), 通过在特征层之间建立更紧密的连接, 促进信息的均匀传递, 减少跨层特征融合时的语义信息损失, 从而增强模型对钢材缺陷的感知能力; 其次, 在模块中引入可变形卷积, 自适应地改变卷积核的形状与位置, 从而更灵活地捕捉不规则缺陷的边缘特征, 减少信息丢失, 提升检测的准确性; 最后, 加入坐标注意力(CA)机制, 将位置信息嵌入到通道中, 解决了位置信息丢失的问题, 使模型能够更精确地感知缺陷的位置及其形态特征, 从而提升检测的精度和稳定性。在NEU-DET数据集上的实验结果表明, YOLOv8n-MDC算法的mAP@0.5达到了81.0%, 相比原基准网络提升了4.2百分点, 该算法收敛速度较快、精度较高, 更能满足实际工业生产的要求。

来源：2025年第7期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第7期