空军工程大学学报

作者：肖轶磊1,汪诚1,渠逸1,孔亚康1,陈贤聪1,王小旭2

单位：1.空军工程大学基础部,西安,710051;2.西北工业大学自动化学院,西安,710072\

关键词：带钢表面缺陷检测;Ultralytics;GOLD-YOLO;SimAM 注意力机制

基金：陕西省自然科学基础研究计划(2023-JC-QN-0696)

基于计算机视觉的智能检测技术应用于带钢材料工业生产时,漏检、错检情况严重和识别精度低下等问题频频发生,针对此业内痛点,提出一种基于Ultralytics框架的目标检测优化算法GSS-YOLO。该模型将GOLDYOLO 算法的Neck网络与原始YOLOv8n有机融合,以提高模型对不同尺寸和形状缺陷的检测精度。为平衡不同缺陷种类识别效果的差距并降低网络结构的复杂性,引入了SlimNeck结构中的轻量级卷积VoVGSCSP和高效通道注意力机制SimAM 2个轻量级模块,提高模型的检测精度和泛化能力的同时,限制了模型计算量和权重体积的膨胀。依靠经典的带钢表面缺陷数据集NEU-DET,进行消融实验及横向对比实验。结果表明,模型的平均精度较基准模型提高了3.7%,且各类缺陷检测精度差距减小,均衡了检测精度和运行速度。所提模型相较于当前主流模型在检测精度具有一定优势,并对实际工业生产中的缺陷检测应用具有参考价值。

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