Page 104 - 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

4.1.3 IoU有效性验证 表5 经典算法对比试验结果
为验证IoU改进的有效性，将默认使用CIoU与 模型 R/% P/% m AP @0.5 速度/FPS
仅替换损失函数的模型，在同一试验环境下进行试 Fast R-CNN 77.8 73.3 0.753 11.8
验，为更直观地体现损失函数对性能的影响，绘制训 SSD 89.6 88.3 0.907 58.4
YOLOv5s 90.1 89.5 0.912 44.3
练过程边界框回归的损失曲线（见图4），试验结果
YOLOv7-tiny 87.0 80.3 0.871 37.5
如表4所示，可见，替换MPDIoU后模型与原模型相 YOLOv8s 90.7 89.4 0.914 38.7
比精度提高0. 5%、召回率提高3%，其m AP @0. 5和 Ours 94.3 93.5 0.956 30.8
m AP @0. 5:0. 95分别提升了0. 015和0. 034。
用较低的检测分辨率降低了计算量，从而提高了检测
速度，但较小目标物体的检测性能较差；v5s使用耦合
头，同时预测目标位置和类别。v8s使用c2f通过并行
更多的深度分支，获得更丰富的特征信息，并通过解
耦头部分别学习、提取目标位置和类别。在YOLOv8
的基础上，改进后算法的召回率、准确率、平均精度
均值分别提高了3. 6%，4. 1%，0. 042，检测速度为
30. 8 FPS，能够满足工业检测的需要。
YOLOv8s模型和改进模型对数据集的检测
效果如图 5，6 所示。从图 6 可知，其置信度均有
0. 03~0. 05的提升。图5（b），（e）和图6（b），（e）各
图 4 训练损失曲线对比 自包含3处相同的缺陷，其中2处为微小缺陷。在基
表4 IoU验证试验结果 础模型中检测出1处缺陷， 未能检出（b），（e）中的微

IoU P/% R/% m AP @0.5 m AP @0.5:0.95 小缺陷，而改进后的模型成功检测出3处缺陷。从
CIoU 90.7 89.4 0.914 0.443 对比试验的结果来看，改进后的模型对微小缺陷的
MPDIoU 91.2 92.4 0.929 0.477 检测能力有显著提升。
综上，改进后的损失函数具有更高的准确性，更 5 结论
快的收敛速度。
4.2 对比试验 针对一次性针灸用针小缺陷难以检测的问题，
为验证算法改进的效果，选取经典算法：Fast- 文章基于YOLOv8 提出了一种改进算法。改进措
R-CNN、SSD、YOLOv5s、V7-Tiny、YOLOv8s与改 施如下：通过残差连接让高分辨率特征直接传递
进算法进行对比，结果如表5所示。 到小目标检测头，加入不增加参数量的注意力机制
从表 5 中可以看出，在检测精度方面，Fast SimAM，引入基于最小点距离的MPDIoU。试验结
R-CNN对针灸用针的检测效果不佳；SSD通过多层 果表明，改进后模型的m AP 为95. 6%，较原模型提高
级结构提高了不同尺度缺陷的检测能力，但是对于小 了4. 2%，尤其在微小缺陷的检测精度上有较高提
目标的检测还有所欠缺；YOLO系列算法的v7-tiny使 升，其检测速度为30. 8 FPS，符合实际生产要求的

图 5 YOLOv8s 网络模型检测结果
66
2024 年 第 46 卷 第 7 期
无损检测