摘要
为解决黄芪切片人工检测效率低、主观性强的问题，以及由于特征性的放射状“菊花心”纹理与虫害、霉变等细微缺陷在视觉上相似而导致的检测精度不足的问题，本研究提出了一种名为Astra-YOLO的轻量级智能检测模型。该模型使用了来自四个类别的622张原始黄芪切片图像，按照8:1:1的比例划分为训练集、验证集和测试集。仅对训练集进行了数据增强处理，最终得到了3110张图像。在YOLOv11n的基础上，该模型进行了三项针对性改进：采用GhostConv轻量级卷积来减少模型参数和计算成本；整合无参数的SimAM注意力机制，以抑制复杂纹理的干扰并提升缺陷特征的表征能力；采用Wise-IoU v3算法，改善边界框回归效果，从而更精准地定位小型缺陷。实验结果表明，Astra-YOLO仅拥有253万个参数和6.20 GFLOPs的计算量，就能展现出优异的性能。该模型的mAP@0.5值为92.7%，mAP@0.5:0.95值为73.8%，精确率为92.4%，召回率为92.1%。这些数据表明，Astra-YOLO成功实现了轻量级设计与高检测精度之间的平衡，其性能优于基准模型及其他改进版本，可为黄芪切片的工业在线检测及自动化质量分级提供可靠的技术支持。
