期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
STC-YOLOv8:一种解决复杂背景下的钢材表面缺陷的检测方法 被引量：1
1
作者 黄奥国 罗小玲 潘新 《内蒙古农业大学学报（自然科学版）》 CAS 北大核心 2024年第5期67-76,共10页
由于钢材表面缺陷尺寸小且背景复杂,传统检测方法在此类场景中常出现漏检和误检问题,且检测精度低、效率慢。本文提出了一种基于YOLOv8n的改进方法,称为STC-YOLOv8,旨在在时间成本不变的情况下提高钢材表面缺陷检测的精度。首先,将主干... 由于钢材表面缺陷尺寸小且背景复杂,传统检测方法在此类场景中常出现漏检和误检问题,且检测精度低、效率慢。本文提出了一种基于YOLOv8n的改进方法,称为STC-YOLOv8,旨在在时间成本不变的情况下提高钢材表面缺陷检测的精度。首先,将主干网络的卷积层替换为SAConv,利用其全局性和大感受野特性,增强模型对小目标特征的提取能力;其次,将原模型的上采样方法替换为CARAFE,通过动态调整插值位置,提升模型对边缘特征和相似特征的提取能力。此外,在检测头中引入多分支结构的重参数模块,进一步增强模型的特征提取能力;最后,针对目标样本较小和部分目标信息难以提取的问题,本文引入了迁移学习策略,增强了模型的泛化性和稳定性。实验结果表明:改进后的STC-YOLOv8模型在数据增强后的NEU-DET数据集上的mAP@0.5达到82.4%,相比原模型YOLOv8n提高了3.8%;在GC10-DET数据集上的mAP@0.5达到66%,提高了2.9%。研究验证了本方法的有效性和稳定性,能够满足钢材表面缺陷检测的实际需求。 展开更多
关键词 缺陷检测 YOLOv8n saconv CARAFE 重参数化
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部