Page 100 - 无损检测2024年第七期
P. 100
罗 顺，等：
基于改进 YOLOv8 的针灸用针缺陷检测算法
计算的检测方法，实现汽车金属材料表面微小缺陷 平均检测速度为52. 63 FPS。
的快速识别，精度和速度有所提高，但检测容易受 综上所述，对于小缺陷检测，传统算法的泛化能
光照、局部特征分布不均的影响、无法获取图像中 力不足，检测效果受光照、灰度分布、图像质量的影
的非线性特征。周新颖等 提出将基于小波增强与 响；深度学习算法中的经典算法：YOLO 、SSD 、
[2]
[8]
[9]
Canny算法融合的方法用于检测锂电池极片缺陷， RetinaNet [10] 等一阶段检测算法，存在训练时间较长、
但是该方法对于图片质量的要求较高，图像中的噪 对硬件的要求高，但是相较于二阶段检测算法，其在
声可能被放大。SINDAGI等 将改进后的局部二值 检测速度上有优势，更适用于工业应用场景。结合
[3]
模式（Local binary pattern，LBP）与支持向量数据描 以上分析，选择当前最新的YOLOv8模型作为基础
述（Support vector data description，SVDD）结合提 模型进行改进，以提高针灸用针缺陷的检测精度。
出A-SVDD方法，其对于宏观缺陷的处理效果良好，
1 YOLOv8算法
但对划痕、斑点等微观缺陷的处理效果不佳。在深
度学习方面，丛明等 提出了Refine-ACTDD算法， YOLOv8是目前最新的YOLO模型，用于自动
[4]
通过密排锚点、添加注意力机制实现了端到端检测， 驾驶、视频监控、工业检测、人脸识别等任务。
检测铸件缺陷的平均精度达到了95. 44%。CAO等 [5] YOLOv8 模型主要由 Backbone、Neck、Head
指出：对于小目标的检测，浅层网络提取的特征对微 三个部分组成，其结构如图 1所示。Backbone包含
[6]
小缺陷有更好的检测效果。BAI等 将Faster R-CNN Conv、C2f、SPPF等模块，在YOLO模型中起提取
和SVDD算法结合用于紧固件分类检测，其检测速 图像特征、捕捉上下文信息等重要作用，从而为后续
度为16. 15 FPS（Frames Per Second）。张开生等 [7] 的目标检测任务提供基础特征。其中，Conv模块用
提出一种改进的YOLOv5s网络PCB 缺陷检测方法， 于提取图像特征、增加非线性并减少特征图的尺寸；
图 1 YOLOv8s 模型结构
62
2024 年 第 46 卷 第 7 期
无损检测
