一种基于改进YOLOv8的钢材表面缺陷目标检测方法技术

本发明专利技术公开了一种基于改进YOLOv8的钢材表面缺陷目标检测方法，其方法包括获取公开的钢材表面缺陷数据集NEU‑DET；将数据集按照8：1：1划分为训练集，测试集和验证集；对图像进行数据增强；构建改进的YOLOv8‑ST网络模型，将训练集和验证集导入检测模型训练；将训练好的检测模型对测试集上进行目标检测。本发明专利技术通过将Backbone中的C2f模块中的Bottleneck用MSBlock替换，构建为C2f_MSBlock模块，引入了多个分支来执行特征提取，并随着网络的深入逐渐增加卷积的核大小；在特征融合网络中引入轻量级上采样算子CARAFE，提高融合特征的质量和丰富度；将模型使用的CIoU损失函数替换为Wise‑Inner‑ShapeIoU损失函数，在聚焦于普通质量的锚框的前提下关注边界框本身的形状和尺度来计算损失；使用Mosaic数据增强，丰富了数据集的样本。本发明专利技术相较于原YOLOv8模型在检测精度上有明显提升。

【技术实现步骤摘要】

本专利技术涉及计算机视觉目标检测领域，特别涉及一种基于改进yolov8的钢材表面缺陷目标检测方法。

技术介绍

1、钢材表面缺陷目标检测是在工业领域中广泛应用的一项关键技术。它的主要目标是通过自动化方法准确地定位和识别钢材表面的各种缺陷，例如划痕、裂纹、氧化和凹陷等。这些缺陷可能会降低产品的质量，并且可能在使用过程中导致安全隐患。

2、随着计算机视觉和深度学习的快速发展，钢材表面缺陷目标检测越来越多地采用基于图像处理和机器学习的自动化方法。基于深度学习的方法主要有两类：一类以yolo系列和ssd等代表的一阶段算法，一阶段算法不需要生成区域候选框的过程，直接生成检测类别和位置，一个阶段即可得到最终的检测结果。另一类以rcnn和faster-rcnn等代表的两阶段算法，需要先进行区域候选框生成，然后进行样本分类。

3、yolo系列算法在工业界因为其良好的检测性能与检测速度得到了广泛的应用，其中yolov8相较于前几代版本拥有一些新的特性，包括使用梯度流更丰富的c2f结构、使用了主流的解耦头、从anchor-based变成了anchor-f本文档来自技高网...

【技术保护点】

1.一种基于改进YOLOv8的钢材表面缺陷目标检测方法，其特征在于，包括：

2.如权利要求1所述的一种基于改进YOLOv8的钢材表面缺陷目标检测方法，其特征在于步骤1.2.中Mosaic数据增强过程包括：首先，随机选择四张图像进行数据增强操作，包括翻转、缩放和色彩调整等。接着，操作完成之后然后再将原始图片按照第一张图片摆放在左上，第二张图片摆放在左下，第三张图片摆放在右下，第四张图片摆放在右上四个方向位置摆好；这个过程利用了矩阵操作，将四张图像固定区域进行截取，然后拼接成一张新的图像，其中包含了框选等信息。

3.如权利要求1所述的一种基于改进YOLOv8的钢材表面...

【技术特征摘要】

1.一种基于改进yolov8的钢材表面缺陷目标检测方法，其特征在于，包括：

2.如权利要求1所述的一种基于改进yolov8的钢材表面缺陷目标检测方法，其特征在于步骤1.2.中mosaic数据增强过程包括：首先，随机选择四张图像进行数据增强操作，包括翻转、缩放和色彩调整等。接着，操作完成之后然后再将原始图片按照第一张图片摆放在左上，第二张图片摆放在左下，第三张图片摆放在右下，第四张图片摆放在右上四个方向位置摆好；这个过程利用了矩阵操作，将四张图像固定区域进行截取，然后拼接成一张新的图像，其中包含了框选等信息。

3.如权利要求1所述的一种基于改进yolov8的钢材表面缺陷目标检测方法，其特征在于步骤1.4.中构建基于改进yolo...

【专利技术属性】
技术研发人员：邓月明，邓宇辉，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：