摘要：YOLOv8n在处理热轧钢材表面缺陷时，存在复杂特征提取效果欠佳、定位精度差、漏检率高的问题。因此，本文提出一种改进YOLOv8n的热轧钢材表面缺陷检测模型GSX-YOLOv8n。首先，为了强化模型的特征提取能力，提高模型的召回率，基于空间注意力和通道注意力，设计了全局卷积注意力模块。其次，在主干网络中使用SPD-Conv卷积，提高模型的低分辨率图像检测能力。最后，在网络结构中添加小目标检测头，利用上下文关系，提高模型的小目标检测检测能力。实验结果显示，改进过后的模型mAP@0.5达到82.2%，mAP@0.5:0.95达到49.1%，召回率提高到79.0%，表明本文模型对热轧钢材表面缺陷具有更好的检测性能。
文章目录
1 YOLOv8算法
1.1 头部（Head）
1.2 骨干（Backbone）
1.3 颈部（Neck）
2 GSX-YOLOv8n模型
2.1 GCA注意力模块
2.2 SPD-Conv
2.3 小目标检测层
2.4 方法总结
3 实验
3.1 数据集
3.2 评估指标
3.3 实验设计
3.3.1 多种注意力机制
3.3.2 消融实验
3.3.3 对比实验结果
3.3.4 检测结果可视化对比
4 结论
