空军工程大学学报

作者：介战铎1,张争明1,黄浩然2,郝明1,赵俭邦3

单位：1.空军工程大学航空机务士官学校,河南信阳,464000;2.93131部队,北京,100000;3.94314部队,郑州,450000\

关键词：飞机表面缺陷检测;YOLOv8;模型轻量化;空间-通道协同注意力;MPDIoU 损失;Slim-Neck

基金：国家自然科学基金(522750696)

针对现有基于视觉的飞机机体表面缺陷检测方法普遍存在检测精度低、参数量和计算量大,且难以同时兼顾精度提高和模型轻量化,提出一种新的同时兼顾高精度和轻量化的飞机机体表面缺陷检测方法(CSM-YOLO)。首先,通过设计C2f-SCSA 模块替换主干网络C2f模块以动态增强多尺度特征、提高模型对关键特征信息的捕获、提取、利用能力,解决因下采样引起的特征信息丢失问题。其次,使用跨层直连方式改进Slim-Neck特征融合网络应用于模型颈部,实现提高模型计算效率的同时减少信息丢失,提高检测精度。最后,使用最小点距离交并比损失(MPDIoU Loss)提高边界框回归精确性,有效提高小目标缺陷检测精度,减少误检和漏检情况。实验结果表明,CSM-YOLO 模型兼顾高精度、轻量化,对机体表面缺陷取得最高检测精度88.34%,较基线模型YOLOv8n 提高2.92%,较YOLOv3-tiny、YOLOv5n、YOLOv5s、YOLOv7-tiny、YOLOv9t、YOLOv12n算法提升明显。在模型参数量和计算量方面,CSM-YOLO 的参数量和计算量分别为2.67×106/s和7.68×109/s,较基线模型YOLOv8n分别减少0.34×106/s和0.41×109/s,实现了同时兼顾精度提高和模型轻量化。CSM-YOLO 在飞机机体表面缺陷检测数据集上取得了显著的性能提升,为机体表面缺陷的自动化检测提供了有效的解决方案。

来源：2025年第5期

《空军工程大学学报》期刊编辑部

查看空军工程大学学报杂志2025年第5期