文章详情

摘要

针对工业零件表面缺陷检测中存在的检测精度低、泛化能力不足及实时性差等问题，文章提出了一种基于YOLOv8的深度学习检测方法，研究选用YOLOv8m作为基准模型，基于东北大学热轧钢带表面缺陷数据集，通过引入几何变换与颜色扰动的数据增强策略、标签平滑技术及“线性Warmup+余弦退火”学习率调度策略对模型进行优化训练。实验结果表明，该模型在测试集上的平均精度均值达到0.619，整体召回率高达0.94，相较于YOLOv5m精度提升了2.1%，并且推理速度显著优于Faster R-CNN等传统模型，结论显示，该方法在保持高实时性的同时实现了高精度检测，能有效满足复杂工业场景下的自动化质检需求。

关键词

YOLOv8；热轧钢带；表面缺陷检测；数据增强

参考文献

1. [1] 马金林，曹浩杰，马自萍，等.改进YOLOv8的带钢缺陷检测 [J].计算机工程与应用，2024，60（21）：183-193.
2. [2] 李顺，杨颖.基于改进YOLOv5的热轧带钢缺陷检测 [J].计算机仿真，2024，41（5）：197-203.
3. [3] 徐彦威，李军，董元方，等.YOLO系列目标检测算法综述 [J].计算机科学与探索，2024，18（9）：2221-2238.
4. [4] Terven J，Córdova-Esparza D-M C，Romero-González J A R.A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS [J].Machine Learning and Knowledge Extraction，2023，5（4）：1680-1716.
5. [5] Safaldin M，Zaghden N，Mejdoub M. An Improved YOLOv8 to Detect Moving Objects [J].IEEE Access，2024，12：59782-59806.
6. [6] 窦智，高浩然，刘国奇，等.轻量化YOLOv8的小样本钢板缺陷检测算法 [J].计算机工程与应用，2024，60（9）：90-100.
7. [7] 肖许源.深度学习驱动的热轧带钢缺陷实时检测算法研究 [D].成都：电子科技大学，2025.
8. [8] Chen Y L，Hung K C，Zhang J Y，et al. Improved YOLOv8n Models for Object Detection in Remote Sensing Images [J].IEEE Access，2025，13：97889-97900.
9. [9] Huang C Y，Cui J N，Li Y L，et al. Fusion YOLOv8s and Dynamic Convolution Algorithm for Steel Surface Defect Detection [J].Symmetry，2025，17（5）：701.
10. [10] 全文君，骆红涛.改进YOLOv8M的水下目标检测算法 [J].计算机技术与发展，2025，35（1）：30-37.
11. [11] 张秀权.基于YOLOv8L的遥感图像旋转目标检测算法研究 [D].太原：中北大学，2024.
12. [12] Long Y，Lin W S. Surface Defect Detection of Ultrathin Fiberboard Based on Improved YOLOv8x [J].Journal of Nondestructive Evaluation，2025，44（2）：58.
13. [13] Fajar P D，Moses L S，Dedy D P. Beyond Architecture: Hyperparameter Optimization for YOLOv8m in Multi-class Textile Defect Detection [J/OL].Results in Engineering，2025，28：108356.https://doi.org/10.1016/j.rineng.2025.108356.
14. [14] 苏卫江，孙留存，高永强，等.基于交叉熵损失函数优化的基建违章识别方法 [J].计算机仿真，2025，42（3）：487-491.
15. [15] 师硕，覃嘉俊，于洋，等.基于改进ConvMixer和动态焦点损失的视听情感识别 [J].电子学报，2024，52（8）：2824-2835.
16. [16] Mei S Z，Liu C，Lyu X F. A Falls Recognition Framework Based on Faster R-CNN and Temporal Action Sequences that can be Deployed on Home Service Robots [J/OL].Measurement Science and Technology，2024，35（8）：085005.https://iopscience.iop.org/article/10.1088/1361-6501/ad44c9.
17. [17] 朱雨，郝晓丽，牛保宁，等.RetinaNet目标检测算法改进 [J].计算机工程与设计，2024，45（11）：3271-3278.
18. [18] Li J D，Tong C Y，Yuan H X，et al. A Complex Environmental Water-level Detection Method Based on Improved YOLOv5m [J].Sensors，2024，24（16）：5235.

作者简介

刘志刚（1986.06—），男，汉族，山东潍坊人，工程师，硕士研究生，研究方向：人工智能、数据标注、可信数据空间；赵小慧（1986.05—），女，汉族，山西运城人，工程师，硕士研究生，研究方向：人工智能、数字经济。