改进YOLOv8的铸件多肉缺陷检测

针对铸造生产过程中铸件表面多肉缺陷数据集少、复杂环境下人工检测困难以及检测效率较低等问题,文中基于YOLOv8提出改进算法。对数据进行增强处理,以便提升模型的鲁棒性,更贴合实际环境;引入残差网络Resnet替换网络主干部分,提高模型提取目标特征的能力;对Neck部分进行重构,避免参数量的增加;在网络的输出末端加入具有注意力机制的Dynamic Head检测头,将模型对目标感知和表达的能力进一步提高;在训练模型能力过程中加入MPDIoU损失函数,强化模型对于目标边框的处理,提高模型对铸件多肉缺陷的识别精准度。实验结果表明,改进的YOLOv8模型在检测铸件多肉缺陷数据集上的mAP相比原模型提升2.2%,提升了小目标识别精度,正确检测率提高了16.1%。

资料为PDF文档格式.

本文档关键词:铸件,缺陷,改进,YOLOv8