深度学习在钢缆表面损伤检测中的应用：以YOLOv8-SWRSD模型为例

《IEEE MultiMedia》：Application of Deep Learning in Steel Cable Surface Damage Detection: A Case Study of the YOLOv8-SWRSD Model

表面损伤检测是工业安全的关键，传统方法效率低且主观。本研究针对固定摄像头场景下钢索表面损伤检测，提出YOLOv8-SWRSD模型，集成RepNCSPELAN4、C2f_EMBC和C2f_SWC模块以改进双尺度缺陷识别。实验表明，在磨损检测上较YOLOv8提升1.5%和1.2%，断裂钢丝分别提升8.2%和12.4%，同时保持模糊和灰度条件下的鲁棒性。与YOLOv8-Ghost相比，相同数据集下mAP50提高1.8%。该研究为钢索缺陷检测提供可靠方案，未来将开发新架构和注意力机制。

　　

摘要：

钢缆表面损伤的检测对工业安全至关重要，然而传统方法存在效率低下和主观性强的问题。本研究聚焦于在固定摄像头视角下、不同场景中钢缆表面损伤的检测，并提出了YOLOv8-SWRSD这一改进型深度学习模型。该模型整合了RepNCSPELAN4、C2f_EMBC和C2f_SWC三个模块，以提升双尺度缺陷识别能力。通过泛化能力和鲁棒性验证，与YOLOv8相比，该模型在磨损损伤检测方面的准确率提升了1.5%，在断线损伤检测方面的准确率提升了1.2%。此外，该模型在图像模糊或为灰度图像的情况下仍能保持良好的检测性能。在相同数据集条件下，YOLOv8-SWRSD在断线损伤检测的mAP50指标上比传统模型YOLOv8-Ghost高出1.8%。这项研究为钢缆缺陷检测提供了一种可靠的解决方案，有助于提升工业检测的安全性。未来的工作将探索新的架构和注意力机制，以更有效地检测各种类型的钢缆损伤。