基于改进yolov8的金属瑕疵检测算法
魏锦程 肖璇 石涛

湖南工商大学，湖南长沙，410000；

摘要：金属表面瑕疵检测是工业质量控制中至关重要的一部分，尤其是在自动化生产线上。然而，现有的目标检测算法在小目标检测、复杂纹理干扰等方面存在较大挑战。为了提高检测精度并减少漏检与误检，本研究提出了一种改进的YOLOv8模型，结合了CBAM（Convolutional Block Attention Module）注意力机制。通过增强通道与空间特征表达，以及优化多尺度特征融合策略，模型在NEU-DET金属瑕疵数据集上的检测精度显著提高。实验结果表明，改进后的模型在mAP和误检率（FPR）等指标上优于基准YOLOv8模型。

关键词：YOLOv8；CBAM；金属瑕疵检测；目标检测；注意力机制；多尺度特征融合

参考文献

[1]涂福泉,戚晏奇,刘建,等.基于改进YOLOv8s的金属齿轮表面瑕疵检测算法[J].计算机与现代化,2025,(01):100-106.

[2]吴祖旺.基于改进YOLO算法的金属缺陷检测研究[D].江西理工大学,2024.DOI:10.27176/d.cnki.gnfyc.2024.000279.

[3]王涵,刘海明,邵雨虹.一种改进YOLOv5算法的金属表面缺陷检测研究[J/OL].机械科学与技术,1-6[2025-02-24].https://doi.org/10.13433/j.cnki.1003-8728.20230315.

[4]虞佳佳,李玉,周延锁,等.基于改进YOLOv5n的田间铺盘装置设计与试验[J/OL].农业机械学报,1-10[2025-02-24].http://kns.cnki.net/kcms/detail/11.1964.s.20240624.1344.015.html.

[5]彭佑菊.基于深度学习的野生菌视觉分类算法的研究[D].贵州大学,2024.DOI:10.27047/d.cnki.ggudu.2024.000662.