融合MobileNetv3的轻量级YOLOv8钢材表面缺陷检测.pdfVIP

2025年第25卷第16期科学技术与工程ISSN1671—1815

2025,25(16):06831-10ScienceTechnologyandEngineeringCN11—4688/T

DOI:10.12404/j.issn.1671-1815.2404413

引用格式:胡名琪,陈辉明,徐伟,等.融合MobileNetv3的轻量级YOLOv8钢材表面缺陷检测[J].科学技术与工程,2025,25(16):

6831-6840.

HuMingqi,ChenHuiming,XuWei,etal.SurfacedefectdetectiononlightweightYOLOv8steelincorporatingMobileNetv3[J].Science

TechnologyandEngineering,2025,25(16):6831-6840.

融合MobileNetv3的轻量级YOLOv8钢材

表面缺陷检测

11212∗

胡名琪,陈辉明,徐伟,郭诚君,刘秋明

(1.江西理工大学先进铜产业学院,鹰潭335000;2.江西理工大学软件工程学院,南昌330013)

摘要针对钢材表面缺陷人工检测成本高昂、检测精度不高,以及传统的目标检测方法模型复杂,导致对终端检测设备的

计算资源要求较高等问题,融合MobileNetv3轻量化YOLOv8算法提出一种轻量级缺陷检测算法YOLOv8n-MDC。首先,以

YOLOv8n为基础,将YOLOv8n的自带IoU(intersectionoverunion)候选框损失函数替换成WIoU(weightedIoU)函数,通过增添

非单调聚焦机制,提高模型的鲁棒性。其次,使用MobileNetv3网络替换YOLOv8n的骨干特征提取网络模块,将轻量级网络用

于特征提取端降低网络复杂度,减少冗余开销。最后,在特征融合阶段使用DW卷积和C3Ghost模块对原网络的相应模块进

行替换,使改进后的网络减少模型参数,进一步提升检测速度。使用钢材表面缺陷数据集NEU-DET进行模型验证,YOLOv8n-

MDC模型mAP达81.3%,较YOLOv8n模型提升5%;参数量与计算量分别为1.02M和2.1GFLOPs,仅为原模型的33.9%和

25.9%,达到工业要求。提出的轻量级算法在保证检测精度提升的同时大大降低了算法的复杂度和计算资源的开销,为钢材

表面缺陷检测提供了一个优化思路。

关键词钢材表面缺陷;缺陷检测;轻量级网络;YOLOv8;MobileNetv3

中图法分类号TP391.4;文献标志码A

SurfaceDefectDetectiononLightweightYOLOv8Steel

IncorporatingMobileNetv3

11212∗

HUMing-qi,CHENHui-ming,XUWei,GUOCheng-jun,LIUQiu-ming

(1.AdvancedCopperIndustryCollege,JiangxiUniversityofScienceandTechnology,Yingtan335000,China;

2.SchoolofSoftwareEngineering,JiangxiUniversityofScience