自适应采样与重影多尺度特征融合的轻量化焊缝缺陷检测

作     者：鲁斌 杨烜 杨振宇 高啸天 

作者机构：华北电力大学计算机系 河北省能源电力知识计算重点实验室 

出 版 物：《系统仿真学报》 (Journal of System Simulation)

年 卷 期：2024年

核心收录：

学科分类：080503[工学-材料加工工程] 08[工学] 080203[工学-机械设计及理论] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金(62371188) 

主　　题：缺陷检测 YOLOv8 重影多尺度卷积 感受野空间特征 混合注意力机制 

摘      要：针对种类繁多且形态各异的缺陷识别精度低、生产线速度需求高带来的检测挑战，提出了一种基于YOLOv8的轻量化焊缝缺陷检测网络LAW-YOLO。该方法设计了一种轻量级自适应权重采样LAWS（Light Adaptive-weight Sampling）模块，通过学习感受野区域内交互的特征来构建自适应权重注意力特征图。采用优化的高效加权双向特征金字塔网络作为LAW-YOLO中的特征提取网络，设计并引入了重影多尺度采样模块和混合注意力机制，以增强对小目标缺陷的检测能力。实验结果表明，该方法在公开的SteelTube数据集中平均精度（mAP0.5）达到97.6%，推理速度可达到每秒处理91帧数据，比基线模型提高了5.5%的平均精度及4.6%的处理速度，在保持高效性能同时减少了25.2%计算量和50%模型大小，更便于部署在边缘设备上进行场景作业。