基于改进YOLOv8n网络的手机屏幕缺陷检测方法研究及系统设计

为解决传统手机屏幕缺陷检测方法精度不足的问题，研究人员通过改进YOLOv8n网络，引入CBAM注意力机制、小目标检测层和BiFPN模块，并采用WIoU损失函数优化动态聚焦能力。实验表明，改进后的YOLOv8n-SDBW模型mAP@50提升0.83%，mAP@50:95提升2.09%，显著提高了油渍、划痕和污渍三类缺陷的检测效率，为电子废弃物回收提供了高效自动化解决方案。

　　

随着通信技术的飞速发展，手机已成为现代人生活中不可或缺的工具，随之产生的电子废弃物（WEEE）也以每年4%-5%的速度激增。据《全球电子废弃物监测报告》统计，2019年全球WEEE总量已达53.6百万吨，但仅有15%得到规范处理。手机屏幕作为高价值回收部件，其表面油渍、划痕和污渍等缺陷会严重影响回收效率。传统人工检测方法效率低下且易受主观影响，而现有深度学习模型虽能提升检测精度，却常因参数复杂、实时性差而难以满足工业需求。

针对这一难题，国内研究人员提出了一种基于改进YOLOv8n网络的手机屏幕缺陷检测方案。通过融合计算机视觉与深度学习技术，团队设计出包含传送带、同轴面光源和六轴机器人的自动化检测系统。研究重点优化了模型的多尺度特征捕捉能力：在SPPF模块中嵌入卷积块注意力机制（CBAM）以增强特征融合；新增小目标检测层提升微小缺陷识别率；采用加权双向特征金字塔网络（BiFPN）强化跨尺度信息传递；并将CIoU损失函数替换为动态聚焦性能更优的WIoU。

改进SPPF模块
通过将CBAM注意力机制整合至SPPF的多层池化结构中，有效缓解了传统池化操作导致的特征信息丢失问题，使模型能更精准区分不同尺寸的缺陷目标。

缺陷检测系统设计
研发的自动化系统通过传送带输送手机至检测工位，利用同轴光源消除环境光干扰，配合六轴机器人完成分拣操作，实现了检测流程的全程无人化。

性能验证
改进后的YOLOv8n-SDBW模型在保持参数复杂度基本不变的前提下，mAP@50和mAP@50:95分别提升0.83%和2.09%，尤其在小尺寸、低对比度缺陷检测中表现突出。

该研究创新性地平衡了检测精度与计算效率，为电子废弃物回收行业提供了可靠的自动化检测方案。通过模块化改进策略，既保留了YOLOv8n的轻量化优势，又显著提升了工业场景下的实用性能。论文成果发表于《Pattern Recognition Letters》，对推动智能制造领域的缺陷检测技术发展具有重要参考价值。