摘要：针对钢材表面缺陷检测中存在的精度不足与速度受限问题，本文提出一种改进的YOLOv8 算法。首先，结合AKConvBottleneck和C2f模块构造出C2f-AKConv模块，旨在减少提取特征过程中导致的信息丢失并降低模型的计算量。其次，设计出了一种新的下采样模块SCDown，更好的地提高了下采样期间的信息保留。最后，在特征融合部分引入跨尺度特征融合模块(cross-scale feature fusion module，CCFM)将不同尺度的特征通过融合操作整合起来，其轻量化的结构设计在降低网络参数的同时提升了模型检测精度。实验结果表明：相比于原始方法，所提方法的F1分数和mAP@0.5分别提升了3.6%和3.3%，并且模型大小减少了44%，证明了所提算法在钢材表面缺陷检测方面拥有更优的检测性能。
文章目录
1 YOLOv8算法
2 改进方法
2.1 C2f-AKConv模块
2.2 SCDown 模块
2.3 CCFM
3 实验结果分析
3.1 实验环境与数据集
3.2 评价指标
3.3 消融实验
3.4 对比实验
3.5 测试结果对比
4 结论
