融合多尺度特征的YOLOv8裂缝缺陷检测算法

来源：计算机工程与应用杂志2024年第22期北京时间：

作者：赵佰亭, 程瑞丰, 贾晓芬

单位：1.安徽理工大学 电气与信息工程学院，安徽 淮南 232001；2.安徽理工大学 人工智能学院，安徽 淮南 232001

摘要：针对井壁裂缝背景复杂，纵横比差异大，导致检测效率低、漏检等问题，提出了一种融合多尺度特征的裂缝缺陷检测模型EDG-YOLO。设计特征提取模块EIRBlock（efficient inverted residual block），并构建C2fEIR增强主干网络对井壁浅层裂缝特征信息的提取能力。在颈部融合CSP_EDRAN（CSP efficient dilated reparam aggregation network）实现对裂缝特征信息的复用，促进浅层与深层语义信息之间的交互。嵌入DAM（dual attention module）注意力机制，增强井壁裂缝特征的表达能力。构建轻量级检测头GDetect，借助GSConv模块进一步轻量化网络。在自制井壁裂缝数据集上的实验结果表明，与YOLOv8相比，EDG-YOLO的平均检测精度达到87.4%，提高了2.3个百分点，模型的参数量和计算量分别降低了33%和47%，单幅图像推理时间为13.2?ms，满足井下场景的实时检测需求。

关键词：井壁裂缝,目标检测,YOLOv8,轻量化,注意力机制