Page 103 - 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

进行并行加速，基于Python3. 8 的PyTorch 1. 11. 0 测任务中常用的评估指标，综合考虑模型在不同类
深度学习框架进行实现。文章的数据集来自生产现 别上的准确性和召回能力，采用每秒帧数来评估模
场，为通过 500 W 工业相机获取的 1 632 张一次 型的速度。
性针灸用针的缺陷图片，其中钝头、毛刺、弯尖、
4 试验过程与分析
异物的数量分别为 450，380，421，382 张，按照
8∶2 的比例划分为训练集和验证集。无预训练权 4.1 消融试验
重进行训练，epoch 为 300，batch size 为 8，图像大 文章模型由YOLOv8s改进所得，为了验证各改
小为 640×640，使用 Adam 优化器，初始学习率为
进策略的有效性进行消融试验。
0. 001，动量为 0. 937。在训练过程中使用实时数 4.1.1 Neck结构有效性验证
据增强方法对训练集中的图片进行在线增强，通
为验证针对微小缺陷检测改进的有效性，将v8s
过缩放、左右翻转、上下翻转提升模型的鲁棒性。
与添加小目标特征层的模型，在同一试验环境下进
数据集展示如图3所示。IoU为预测框和标注框
行试验，结果如表2所示。
的交集与并集的比值，如式（8） 所示，用于评价预测
表2 Neck结构验证试验
框的精准程度以判定预测是否正确。IoU越接近1说
各类缺陷平均精度/%
明预测框与真实框重合程度越高，检测的质量越优。 方法 m AP @0.5
钝头 毛刺 弯尖 异物
YOLOv8s 93.4 86.4 93.4 92.4 0.914
YOLOv8s-p2 94.3 92.9 94.2 93.0 0.936
通过表 2 的检测结果可知，添加 p2 特征层输
出后，模型的平均检测精度提升了 2%，在 IoU 阈
值为 0. 5 到 0. 95 范围内的精度和召回率之间的
平衡更好。各类缺陷的精度均有所提升，钝头、
图 3 数据集展示
弯尖、异物各自提高了 0. 9%，0. 8%，0. 6%。其
对于分类任务，根据目标的实际类别和预测类
中微小缺陷较多的毛刺类缺陷，添加小目标检测
别的情况，将样本划分为T 、T 、F 、F 四种。评价
P N P N 层后，在原模型的基础上提升了 6. 5%。这表明
指标包括精密度（Precision）、召回率（Recall）、平均
Neck 结构的改进，能有效提高微小缺陷的检测
精密度（Mean average precision）。混淆矩阵如表 1
精度。
所示。
4.1.2 注意力机制有效性验证
表1 混淆矩阵
在YOLOv8S基础上，在Backbone与Neck之间
预测 [18] [19] [20]
实际 分别添加LSK 、SE 、EMA 、SimAM注意力机制，
正 负
在同一试验环境下进行验证试验，结果如表3所示。
正样本 T P ：正样本，预测为正 T N ：负样本，预测为正
负样本 F P ：正样本，预测为负 F N ：负样本，预测为负 表3 不同注意力机制的有效性验证试验结果

T 方法 P/% R/% m AP @0.5 浮点运算
次数
P = P （11）
T P +F P YOLOv8s 90.7 89.4 0.914 28.7 G
T +LSK 90.5 91.8 0.928 29.0 G
R = P （12） +SE 91.0 92.1 0.931 28.7 G
T P +F N +EMA 91.2 92.0 0.932 28.9 G
 
A P  1 Pr dr （13） +SimAM 91.3 92.3 0.937 28.7 G
=
0
由表3可以看出，SimAM注意力机制提高了检
m = 1 i  k A （14）
AP k =1 Pi 测精度，同时并没有增加多余的计算量。这表明与
式中：P为模型在测试集上的分类正确率；R为召回 LSK、SE、EMA注意力机制相比较，在YOLOv8s模
率，其值越高，表示模型能够识别更多的真实正例， 型中添加SimAM注意力机制能够更好地增强模型
模型的覆盖率越高； m AP （平均精度均值）为目标检 对图像重要区域的关注和理解能力。
65
2024 年 第 46 卷 第 7 期
无损检测