摘要：针对YOLOv8模型在织物疵点检测任务中特征提取能力弱与误检现象频繁等问题，提出一种基于改进YOLOv8的织物疵点检测算法（YOLOv8-SEBF）。针对织物疵点特征提取能力弱的问题，引入EnhanceDATransformer，通过Transformer模拟织物纹理的长程依赖关系，全局建模并强化特征；针对误检的问题，引入SCConv，联合空间与通道维度的特征重建来增强模型表达能力，并通过空间-通道协同过滤显著降低纹理背景导致的误检；在融合层中用BiFPN取代PAN，通过跨尺度加权融合机制，强化融合特征的表达能力；优化CIoU为Focal-EIoU，通过引入动态加权机制，加强难易样本平衡与微小疵点的梯度回传，以提高模型检测准确率和稳定性。改进的算法在实际生产数据集上进行试验，结果表明：YOLOv8-SEBF算法的mAP值达93.8%，较原始YOLOv8提升16.0个百分点，在保证检测速度的前提下，显著提升了模型的整体性能。
文章目录
1 算法及改进
1.1 YOLOv8模型
1.2 YOLOv8改进模型方案
1.3 C2f＿SCConv
1.4 BiFPN模块
1.5 EnhanceDATransformer特征增强网络
1.6损失函数改进Focal-EIoU
2 试验结果与分析
2.1数据集
2.2模型训练环境
2.3 模型评价标准
2.4 对比试验
2.5 消融试验
3 结论
