CNS-YOLOv8: 一种基于改进YOLOv8的缺陷检测方法

《Electronics》:CNS-YOLOv8: An Improved YOLOv8-Based Defect Detection Method

【字体: 大 中 小 】 时间:2026年06月23日 来源:Electronics 2.6

编辑推荐:

  钢表面缺陷检测在工业制造中对于维护产品质量和生产安全起着重要作用。然而,现有检测方法在准确识别微小缺陷、抑制复杂背景干扰以及平衡检测精度与计算成本方面仍面临困难。为应对这些挑战,研究人员提出CNS-YOLOv8,一种基于YOLOv8n的改进缺陷检测模型。首先,

  
钢表面缺陷检测在工业制造中对于维护产品质量和生产安全起着重要作用。然而,现有检测方法在准确识别微小缺陷、抑制复杂背景干扰以及平衡检测精度与计算成本方面仍面临困难。为应对这些挑战,研究人员提出CNS-YOLOv8,一种基于YOLOv8n的改进缺陷检测模型。首先,引入一个C2f_SCConv模块以增强多尺度特征提取和空间表示能力。其次,在高层语义特征层后嵌入一个基于归一化的注意力模块(Normalization-based Attention Module, NAM),以提高模型对关键缺陷区域的敏感性。第三,采用一个SlimNeck结构以加强特征融合同时减少计算开销。在NEU-DET数据集上的实验结果表明,CNS-YOLOv8实现了83.1%的mAP@0.5和49.6%的mAP@0.5:0.95,分别比YOLOv8n高出3.9和1.2个百分点。此外,对比实验表明,CNS-YOLOv8在mAP@0.5方面优于Faster R-CNN和YOLOv7,同时所需的GFLOPs显著更少。总体而言,所提方法有效平衡了检测精度和计算效率,凸显了其在实时工业表面缺陷检测中的潜力。
在工业制造中,钢表面缺陷检测对保障产品质量和生产安全至关重要。然而,现有的人工检测和传统图像处理方法在复杂背景、小尺寸缺陷及实时性要求下存在精度低、鲁棒性差和计算成本高等问题。尽管YOLOv8n作为轻量级基线模型具备一定优势,但其在细微缺陷识别和复杂背景干扰抑制方面仍显不足。为此,研究人员在《Electronics》期刊发表论文,提出CNS-YOLOv8,一种基于YOLOv8n的改进缺陷检测模型。研究通过引入三个关键模块:C2f_SCConv(融合C2f和SCConv,增强空间-通道特征重建)、NAM(基于归一化的注意力模块,不增加额外参数)、SlimNeck(由GSConv和VoVGSCSP构成的轻量颈部结构),实现了检测精度与计算效率的平衡。在NEU-DET(东北大学公开数据集,含1800张200×200灰度图像,6类缺陷)和GC10-DET(10类实际工业缺陷数据集)上的实验表明,CNS-YOLOv8在mAP@0.5上达到83.1%,比YOLOv8n提升3.9个百分点,同时参数量降低至2.91M,GFLOPS仅6.9,优于Faster R-CNN、YOLOv7等主流方法。该研究为实时工业表面缺陷检测提供了高效实用的轻量化方案。

**研究结果**:

**3.4 Experimental Results**:在NEU-DET测试集上,CNS-YOLOv8获得mAP@0.5为83.1%,mAP@0.5:0.95为49.6%;对Patches、Scratches等类别的单类平均精度(AP)超过0.9,训练曲线显示模型收敛性和稳定性优于YOLOv8n。

**3.5 The Comparative Experiment on the NEU-DET Dataset**:与Faster R-CNN、SSD、YOLOv5s、YOLOv7、YOLOv8n、YOLOv9、YOLOv10对比,CNS-YOLOv8的mAP@0.5最高(83.1%),且GFLOPS最低(6.9);可视化结果中,其预测置信度和缺陷定位更准确。

**3.6 Ablation Experiment Design and Results**:逐步引入SCConv、NAM和SlimNeck。单独添加SCConv使mAP@0.5提升1.3个百分点但mAP@0.5:0.95略降;单独添加NAM提升1.8和0.8个百分点;单独添加SlimNeck提升2.2和0.7个百分点。三者联合后达到最佳结果(83.1%和49.6%),验证了各模块的协同作用。

**3.7 Sensitivity Analysis of the NAM Sparsity Coefficient**:设置NAM稀疏正则化系数p为1×10-5、1×10-4、1×10-3。当p=1×10-4时,模型在mAP@0.5(83.1%)和mAP@0.5:0.95(49.6%)上表现最优;p过大(1×10-3)导致召回率下降。

**3.8 Robustness Analysis Under Annotation Noise**:在训练标注中引入0%~20%的边界框扰动。随着噪声比例增加,YOLOv8n的mAP@0.5:0.95下降8.7个百分点,而CNS-YOLOv8仅下降6.5个百分点,表明其更强的鲁棒性。

**3.9 Validation on the GC10-DET Dataset**:在GC10-DET上,CNS-YOLOv8的精确率从60.2%提升至67.1%,召回率从65.1%提升至67.9%,mAP@0.5从64.6%提升至67.9%,GFLOPS从8.1降至6.9,证明了模型的泛化能力。

**3.10 Inference Speed Evaluation**:在NVIDIA RTX 4060 GPU上,CNS-YOLOv8的参数为2.91M,GFLOPS为6.9,推理时间8.49ms,FPS为117.79,GPU内存635MB,能效(FPS/W)为2.75,优于YOLOv8n及其他对比模型。

**3.11 Feature Heatmap Visualization Analysis**:热图显示CNS-YOLOv8对缺陷区域的激活更集中、响应更强;错误分析表明,假阳性、假阴性和定位错误总数从YOLOv8n的179降至137,减少23.46%。

**讨论总结**:研究分析了三个模块的协同机制:C2f_SCConv在骨干网络增强局部纹理感知,NAM在高层语义输出阶段进行注意力调谐,SlimNeck在多尺度融合阶段补偿定位稳定性。三者形成从细节到语义再到融合的渐进优化流程。局限性包括:当背景纹理与缺陷高度相似时(如密集轧痕、污染),C2f_SCConv可能增强混淆响应;NAM对低对比度或边界模糊缺陷的注意力较弱;目前仅在公开数据集验证,未在真实产线边缘设备上测试。未来工作将引入光照变化、运动模糊等实际干扰的鲁棒性测试,并部署于边缘计算与工业互联网平台。

**研究结论**:CNS-YOLOv8在检测精度、推理效率和轻量化模型设计之间保持了有效平衡,在资源受限条件下表现出强大的实时工业缺陷检测潜力。本研究为智能金属表面质量检测提供了一种高效实用的方法,并为未来在更复杂工业环境中的多缺陷检测、跨场景泛化以及与工业互联网系统的深度集成奠定了坚实基础。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号