融合多尺度特征的YOLOv8裂缝缺陷检测算法

作     者：赵佰亭 程瑞丰 贾晓芬 

作者机构：安徽理工大学电气与信息工程学院 安徽理工大学人工智能学院 

出 版 物：《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期：2024年

学科分类：12[管理学] 081901[工学-采矿工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0819[工学-矿业工程] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金面上项目(52174141) 安徽省自然科学基金面上项目(2108085ME158) 

主　　题：井壁裂缝 目标检测 YOLOv8 轻量化 注意力机制 

摘      要：针对井壁裂缝背景复杂、纵横比差异大导致检测效率低、漏检等问题，提出了一种融合多尺度特征的裂缝缺陷检测模型EDG-YOLO。首先，设计特征提取模块EIRBlock（Efficient Inverted Residual Block），并构建C2fEIR增强主干网络对井壁浅层裂缝特征信息的提取能力；其次，在颈部融合CSP＿EDRAN（CSP Efficient Dilated Reparam Aggregation Networks）实现对裂缝特征信息的复用，促进浅层与深层语义信息之间的交互。同时，嵌入DAM（Dual Attention Module）注意力机制，增强井壁裂缝特征的表达能力；最后，构建轻量级检测头GDetect，借助GSConv模块进一步轻量化网络。在自制井壁裂缝数据集上的实验结果表明，与YOLOv8相比，EDG-YOLO的平均检测精度达到87.4%，提高了2.3个百分点，模型的参数量和计算量分别降低了33%和47%，单幅图像推理时间为13.2ms，满足井下场景的实时检测需求。