用于缺陷检测的YOLOv8轻量化设计方法

来源：电子测量技术杂志2025年第4期北京时间：

作者：艾峰，邓耀华

单位：广东工业大学机电工程学院 广州 510006

摘要：在大规模制造的端侧产线工业质检应用中，由于算力、成本和功耗等因素的限制，将深度学习模型裁剪并部署到小型算力的边缘设备上变得尤为重要。针对铝型材复杂缺陷检测这一应用场景，基于YOLOv8设计了缺陷检测模型。首先，通过轻量化结构设计，结合局部自注意力机制提升细微缺陷提取能力；采用空间通道下采样替代传统下采样卷积；并提出结合混合局部通道注意力机制的C2f-M模块。然后，基于双向特征金字塔网络设计了SC-BiFPN颈部网络，增强了多尺度特征融合能力。接着，设计任务动态对齐的特征检测头TDADH，充分利用多层次特征，实现更精准的目标定位与分类；采用MPDIoU损失函数增强边界框回归能力。最后，通过Taylor方法对YOLOv8进行裁剪，显著减少模型参数量和计算成本。实验结果表明，轻量化YOLOv8模型在铝材表面缺陷数据集上的参数量降低至原模型的36.7%，计算量减少40%，模型体积缩小62%；同时，检测精确度、召回率及mAP@50.95分别提升0.3%、1.1%、4.8%。该方法有效解决了端侧部署中的计算复杂度与检测性能平衡问题，为小型算力硬件上的高效缺陷检测提供了可行方案。

关键词：缺陷检测;双向特征金字塔;损失函数;任务动态对齐;剪枝

基金资助：广东省省级科技计划项目(2023A0505050151)资助