基于改进YOLOv8的工业场景小目标缺陷检测算法研究.docxVIP

PAGE2

基于改进YOLOv8的工业场景小目标缺陷检测算法研究

摘要

随着工业4.0时代的到来，智能制造对产品质量检测提出了更高的要求，传统的机器视觉算法在处理电路板焊点、零件微小划痕等小目标缺陷时，常面临特征信息丢失、检出率低等问题。针对上述痛点，本课题设计并实现了一种基于改进YOLOv8的工业场景小目标缺陷检测算法。该算法在YOLOv8原始架构基础上，通过增加专门的小目标检测头，增强了模型对微小特征的提取能力；引入CBAM注意力机制，有效抑制了背景噪声干扰；优化了边界框回归损失函数，提升了定位精度。

全文遵循“需求分析→总体设计→详细设计→实现→测试”的工程化思路展开。首先，分析了工业缺陷检测的现状与挑战，明确了提升小目标检出率的核心目标。其次，构建了改进算法的总体架构，详细设计了特征融合网络与检测头模块。随后，完成了模型训练与系统开发，并进行了对比实验。测试结果表明，改进后的算法在电路板焊点与微小划痕数据集上的平均精度均值（mAP）显著提升，满足了工业场景下的实时性与高精度检测需求。

关键词：YOLOv8；小目标检测；注意力机制；工业缺陷检测；损失函数优化

第一章绪论

1.1研究背景

在现代工业生产流程中，产品质量控制是保障企业核心竞争力的关键环节，尤其是电子制造、精密机械加工等领域，对产品表面的缺陷检测要求极为严苛。电路板表面的焊点虚焊、短路以及金属零件表面的微