基于改进的YOLOv8算法的钢材缺陷检测.pdfVIP

研究论文第51卷第7期/2025年7月/计算机工程

基于改进的YOLOv8算法的钢材缺陷检测

2

彭菊红，张弛，高谦，张光明，谈栋华1,赵明俊²*

（1.湖北大学人工智能学院，湖北武汉430062；2.湖北大学计算机与信息工程学院，湖北武汉430062）

摘要：在工业场景下钢材表面缺陷检测技术存在检测精度低、收敛速度慢等问题。为此，提出一种改进的

YOLOv8算法YOLOv8n-MDC。首先，在骨干网络中加人多尺度交叉融合网络（MCN），通过在特征层之间建立

更紧密的连接，促进信息的均匀传递，减少跨层特征融合时的语义信息损失，从而增强模型对钢材缺陷的感知能

力；其次，在模块中引人可变形卷积，自适应地改变卷积核的形状与位置，从而更灵活地捕捉不规则缺陷的边缘特

征，减少信息丢失，提升检测的准确性；最后，加人坐标注意力（CA)机制，将位置信息嵌人到通道中，解决了位置

信息丢失的问题，使模型能够更精确地感知缺陷的位置及其形态特征，从而提升检测的精度和稳定性。在NEU-

DET数据集上的实验结果表明，YOLOv8n-MDC算法的mAP@0.5达到了81.0%，相比原基准网络提升了

4.2百分点，该算法收敛速度较快、精度较高，更能满足实际工业生产的要求。

关键词：多尺度交叉融合网络；YOLOv8网络；坐标注意力机制；钢材缺陷检测；可变形卷积

中图分类号：TP391文献标志码：AD0l:10.19678/j.issn.1000-3428.0069283

SteelDefectDetectionBasedonImprovedYOLOv8Algorithm

PENGJuhong,ZHANGChi,GAOQian,ZHANGGuangming,TANDonghua,ZHAOMingjun?*

(1.SchoolofArtificialIntelligence,HubeiUniversity,Wuhan430062,Hubei,China;

2.SchoolofComputerandInformationEngineering,HubeiUniversity,Wuhan430062,Hubei,China)

[Abstract]Steelsurfacedefectdetectiontechnologyinindustrialscenariosishinderedbylowdetectionaccuracyand

slowconvergencespeed.Toaddresstheseissues,thisstudypresentsanimprovedYOLOv8algorithm,namelya

YOLOv8n-MDC.First,aMulti-scaleCross-fusionNetwork

Establishingcloserconnectionsbetweenthefeaturelayerspromotesuniforminformationtransmissionandreduces

semanticinformationlossduringcross-layerfeaturefusion,therebyenhancingtheabilityofthemodeltoperceive

steeldefects.Second,deformableconvolutionisintroducedinthemoduletoadaptivelychangetheshapeand

positionoftheconvolutionkernel,enablingamoreflexiblecaptureoftheedgefeaturesofirregulardefects,

reducinginformationloss,a