基于计算能力感知的YOLOv8自适应级联改进U-Net钢缺陷检测方法

《International Journal of Intelligent Networks》：YOLOv8 Adaptive Cascade Improved U-Net Steel Defect Detection Method Based on Computing Power Awareness

　　

在钢表面缺陷检测中，在遮挡和模糊等挑战性条件下检测小尺度缺陷是困难的。此外，现有方法常常忽略检测设备计算能力的限制，导致检测精度与效率之间的差距，特别是在复杂检测环境中。在本研究中，研究人员提出了一种基于计算能力感知（Computing Power Awareness）的YOLOv8自适应级联改进U-Net两阶段检测框架。首先，通过YOLOv8对目标进行粗检测。然后，设计了一种自适应高-低置信度阈值机制来对粗检测结果进行分级，并根据设备的计算能力感知选择适当数量的样本用于U-Net精化检测。此外，在U-Net架构中集成了通道-空间注意力（Channel-Spatial Attention）模块，并使用置信度加权融合策略对结果进行融合，以实现缺陷形状恢复的像素级精度。实验结果表明，所提出的算法显著提高了小目标缺陷样本的检测精度，优化了计算资源的利用，并有效平衡了检测效率。

# 论文解读：基于计算能力感知的YOLOv8自适应级联改进U-Net钢缺陷检测方法

## 研究背景与问题
在航空航天、军工、制造和建筑等领域，钢材作为基础金属材料被广泛使用，但表面微小缺陷（如划痕、裂纹、氧化、腐蚀和杂质）会严重威胁产品安全性和寿命，导致重大经济损失。传统人工检测存在主观性、变异性和效率低下的问题，无法满足生产线的时效要求。机器学习算法已显著提升检测速度和精度，但实际部署中检测设备的计算能力常受限，如何在有限计算资源下根据检测需求动态平衡精度与效率，仍是未解决的挑战。

现有方法分为单阶段检测（如YOLO系列）和两阶段检测（如Faster R-CNN）。单阶段检测速度快但精度不足，尤其对遮挡或模糊图像中的小尺寸缺陷；两阶段检测精度高但计算开销大，且现有研究未能在动态优化精度与效率之间取得有效平衡。因此，研究人员提出一种基于计算能力感知（Computing Power Awareness）的自适应级联决策逻辑框架，融合YOLOv8的检测效率与改进U-Net的分割精度，通过动态调整置信度阈值来优化计算资源利用，实现帕累托最优。

## 主要研究内容与结论
研究人员提出了一种YOLOv8自适应级联改进U-Net钢缺陷检测方法，框架包括两阶段：第一阶段使用YOLOv8进行粗检测，第二阶段利用改进U-Net对中等置信度样本进行精化分割。通过自适应高低置信度阈值机制（基于计算能力感知动态调整）和通道-空间注意力模块（Channel-Spatial Attention, CSA），结合置信度加权融合策略，实现像素级缺陷形状恢复。实验在两个公开数据集NEU-DET和GC10-DET上进行，结果表明该方法显著提升了小目标缺陷检测精度，优化了计算资源利用，并有效平衡了检测效率与精度。论文发表在《International Journal of Intelligent Networks》。

## 关键技术方法
- **两阶段级联架构**：第一阶段YOLOv8粗检测输出多尺度特征图，生成候选框；基于置信度分为高、低、中等三个区域，仅中等置信度样本进入第二阶段。第二阶段通过ROI裁剪后输入改进U-Net进行语义分割，并利用置信度加权融合策略更新检测框坐标和置信度。
- **计算能力感知自适应阈值（CPAT）**：通过K-means++聚类置信度得分，结合设备实时推理延迟（指数加权移动平均）动态调整低阈值和高阈值，控制中等置信度区间宽度，再根据剩余延迟预算计算第二阶段最大路由样本数，实现资源自适应分配。
- **通道-空间注意力模块（CSA）**：集成于U-Net解码器，分别进行通道注意力（经全局平均池化和全局最大池化，共享MLP后Sigmoid激活）和空间注意力（经通道维均值与最大值聚合，7×7卷积和Sigmoid激活），轻量级增强小目标特征表示。
- 数据集来源：NEU-DET（1800张高分辨率图像，6类缺陷，4326个标注框，8:1:1划分）和GC10-DET（约3000张图像，10类缺陷，70%训练、15%验证、15%测试）。像素级掩码由标注框内的灰度阈值、形态学滤波和连通域精化生成。

## 研究结果

### 5.1 数据集与实验设置
实验在NEU-DET和GC10-DET上进行，所有图像缩放到640×640，采用统一数据增强管道（包括几何变换、遮挡模拟、Mosaic增强、自适应亮度调整和高斯噪声注入）。训练使用PyTorch 1.10，Intel Core i5-13500 CPU和NVIDIA RTX 3060 GPU，输入分辨率640×640，训练300轮，学习率预热3轮。

### 5.2 总体对比结果
与主流YOLO系列及两阶段模型对比，所提方法（Ours）在NEU-DET上达到91.3%的精度（P）、82.9%的召回率（R）、88.9%的mAP50和64.5%的mAP50-95，FPS为64.2，参数34.2M，显著优于YOLOv8n（mAP50 86.3%，mAP50-95 59.2%，FPS 87.6）和MobileDefectDet等模型。在GC10-DET上，Ours达到89.0% P、80.2% R、86.3% mAP50和61.5% mAP50-95，FPS 63.5。跨硬件平台实验（RTX 4090、RTX 3060、Jetson Orin）显示，该方法在不同算力设备上能自适应调整阈值得维持高精度，且FPS在高端GPU上显著提升，边缘设备上精度稳定。

### 5.3 与其他注意力机制对比
在U-Net中替换不同注意力机制，所提通道-空间注意力（CSA）模块实现最佳性能：IoU 79.6%，mAP50 88.9%，mAP50-95 64.5%，FPS 64.2，优于无注意力（72.3% IoU）、仅空间注意力（75.2% IoU）、仅通道注意力（75.8% IoU）和自注意力（78.1% IoU）。消融实验表明，CSA、CPAT和置信度加权融合策略（cwF）三个模块均正向贡献，完整模型精度最高；cwF模块使mIoU从82.1%提升至84.5%（NEU-DET），像素准确率从90.3%提升至91.7%。

### 5.4 结果分析
第二阶段改进U-Net在分割精度上显著优于原始U-Net（IoU从72.3%提升至79.6%）。资源自适应性能：在低延迟（强算力）设备上充分利用资源提升精度（mAP50提高），同时保持高帧率；在高延迟（弱算力）设备上自动减少精化样本数，FPS波动小且mAP50下降幅度小。在遮挡和模糊复杂背景下，对小目标缺陷的AP@small从YOLOv8 Only的76.8%提升至89.7%（遮挡），从73.1%提升至86.2%（模糊）。训练损失曲线持续下降并收敛，验证损失与训练损失高度一致，无过拟合。

### 5.5 计算效率分析
自适应阈值机制（K-means++聚类+动态阈值计算）总耗时约12.5%，其中动态调整部分仅需小于0.1ms（占0.3%），计算开销极小。超过87%的计算资源保留给核心特征提取和分割任务，证明了轻量级智能调度器有效管理两阶段检测管线的可行性。

## 讨论与结论
研究结论部分指出：本研究提出了一种基于U-Net框架和YOLOv8级联改进的两阶段钢缺陷检测方法。为解决设备计算能力差异问题，系统集成了基于计算能力感知的自适应双置信度阈值机制，用于筛选初检结果。U-Net对遮挡和模糊等有问题的样本进行精细修复。在U-Net架构中引入的通道-空间注意力模块和置信度加权融合策略模块，提高了缺陷形状的像素级恢复精度。实验表明，该算法不仅提高了小目标的检测精度，还根据设备计算能力自适应地平衡检测精度与效率，并优化了计算资源的利用。