Page 101 - 无损检测2024年第七期

罗 顺，等：
基于改进 YOLOv8 的针灸用针缺陷检测算法

C2f 结构通过加入更多的分支，丰富梯度回传时的 关注重要的特征区域；最后为提升网络模型边界框
枝干，实现多尺度信息融合；SPPF将金字塔池化的 的收敛速度，引入 MPDIoU [12] 损失函数。改进后的
结果缓存下来，在后续的目标检测任务中共享使用。 模型结构如图2所示。
Neck部分将来自不同层级的特征进行融合，获得具 2.1 改进的Neck
有多尺度信息的特征图。Head部分接收Neck获取 Neck是指主干网络 （Backbone）之后的一系列
的加强特征，并映射到目标检测结果上，实现对目标 卷积层或模块，用于进一步提取特征并调整特征图
的准确定位和分类。 的尺寸和通道数。通常Neck部分会融合较小尺寸
虽然v8通过引入更多的卷积层获得更大的感 与较大尺寸的特征图，提高对不同尺度目标的表达
受野，提高了检测的准确性和召回率，同时具备较 和提取能力。较小的特征图具有较低的空间分辨率
高的实时性能，但是多次的卷积、池化等下采样操 和较大的感受野，适合用于检测较大的目标 [13] 。在
作，使得YOLOv8难以检测微小缺陷，因此需要对 Neck部分加入了更多跨阶段特征融合策略，通过添
YOLOv8的结构进行改进。综合考虑检测任务的速 加浅层特征输出，将不同层次的特征表示进行有效
度与精度，选择模型尺寸较小、检测精度和实时性较 地结合；跨阶段特征融合使模型能够同时利用低层
高的YOLOv8s作为基础模型。 次的细节特征和高层次的抽象特征，增强了特征的
表达能力，缓解了梯度消失问题，从而提高模型的训
2 改进的YOLOv8检测算法
练稳定性和收敛速度 [14] 。
首先改进Neck部分，利用路径融合将浅层特 将Backbone浅层网络提取的特征与深层的特征
征用于新增的检测头，增强模型对微小缺陷的检 进行多尺度特征融合。输入图像的大小为640×640
测能力；其次在网络的骨干部分，添加注意力机制 （单位：pixel，下同），首先通过堆叠两个Conv进行两
SimAM ，在不增加模型计算量的前提下，使模型 次卷积核大小为3，步长为2的卷积操作，输出128个
[11]

图 2 改进后的模型结构
63
2024 年 第 46 卷 第 7 期
无损检测