本發明涉及深度學習與目標檢測，尤其涉及一種基于改進yolov8的瓷磚多尺度表面缺陷檢測方法。

背景技術：

1、瓷磚生產環節一般包括原材料混合研磨、脫水、壓胚、噴墨印花、淋釉、燒制、拋光幾個環節，在這樣的復雜的生產環節下會產生內部以及表面缺陷，其中常見的表面缺陷有粉團、角裂、滴釉、斷墨、滴墨等。瓷磚作為建筑和裝飾材料，其表面質量直接影響建筑物的美觀和安全。隨著人工智能技術的迅速發展，工業生產中智能化和自動化技術得到廣泛應用，瓷磚生產環節已基本實現無人化。然而，盡管生產過程已經高度自動化，但質量檢測仍大量依賴人工完成。據調研，一條生產線上通常需要配備2-6名質檢工，他們需要長時間在強光下觀察瓷磚表面，以尋找缺陷。但是人工檢測受到個人心情、身體狀況和質檢經驗等主觀因素的影響，這可能導致漏檢、誤檢問題的出現。因此，瓷磚表面缺陷的智能檢測已經成為工業檢測中一個重要課題。

2、傳統的圖像的處理方法和基于機器學習的方法往往只在一個小型數據集上進行測試或所采集的缺陷類型有限未涉及到所有常見的缺陷類型。并且使用的算法大多需要依靠手工設計的特征提取器，提取圖像特征，然后利用經過訓練的分類器進行缺陷識別和缺陷定位，不具備自適應學習能力，需要手動設置參數和調整算法，難以滿足工業上實時檢測的需求。深度學習模型在近幾年掀起了熱潮，并在缺陷檢測方面取得了重要成就，深度學習模型可以根據不同的場景和數據進行調整和優化，因此在面對不同類型的缺陷檢測任務時具有較強的適應性。主流的目標檢測算法已廣泛應用于瓷磚表面缺陷檢測，如二階段算法r-cnn，fast-rcnn，faster-rcnn等，一階段目標檢測算法ssd，yolo等。但現有方法對于檢測瓷磚表面的微小缺陷，與背景相似的缺陷以及缺陷特征復雜的缺陷依舊存在挑戰。

技術實現思路

1、針對上述問題，本發明提供了一種基于改進yolov8的瓷磚多尺度表面缺陷檢測方法，解決了當前技術中存在的問題，通過優化yolov8卷積神經網絡檢測模型，提高缺陷檢測精度的同時平衡模型復雜度。改進后的模型能夠滿足工業環境對瓷磚表面缺陷檢測的要求。

2、本發明將人工智能技術與瓷磚表面缺陷檢測技術相融合，實現了快速、準確識別和分類瓷磚表面缺陷。使用asf框架來重構yolov8的頸部結構，并在此基礎上增加微小目標檢測頭，從而增強多尺度信息提取和細節融合能力，該方法聚焦于小目標的特征，顯著提升了小目標的檢測性能。然后，使用不同核大小的drb模塊替換dwr模塊中不同膨脹率的膨脹深度卷積，再用dwr-drb替換原yolov8模型的c2f模塊中的bottleneck模塊，設計了一種新的c2f-dd模塊用于替換原yolov8主干網絡中第六層和第八層的c2f模塊。該模塊能夠加強從網絡高層的可擴展感受野中提取特征,并且高效獲取多尺度上下文信息的能力，使得網絡在特征提取的過程中關注到更多缺陷細節信息。最后，為了提高yolov8檢測頭的參數利用率，降低模型復雜度，本發明設計了一種共享參數檢測頭(spad)。

3、一種基于改進yolov8的瓷磚多尺度表面缺陷檢測方法包括如下步驟：

4、s1、獲取瓷磚表面缺陷圖像；

5、s2、切割圖像以及數據增強，構建得到瓷磚表面缺陷圖像數據集；

6、s3、構建并初始化改進yolov8卷積神經網絡檢測模型，將搭建的缺陷圖像數據集輸入所述的改進yolov8卷積神經網絡檢測模型進行訓練，得到所對應的瓷磚表面缺陷檢測神經網絡模型；所述改進yolov8卷積神經網絡檢測模型包括使用asf架構重構原模型的頸部結構并增加微小目標檢測頭；設計c2f_dd模塊用于替換原主干網絡的c2f模塊；設計一種共享參數檢測頭(spad)。

7、s4、對改進后的yolov8模型進行測試和評價；

8、優選的，所述asf框架重構yolov8的頸部結構，asf架構包括尺度序列特征融合模塊(ssff)模塊和三重特征編碼模塊(tfe)模塊。yolov8神經網絡檢測模型的主干中1-5級特征提取分支{p1、p2、p3、p4、p5}，再將p2、p3、p4、p5經過特征金字塔網絡融合后，輸出一組{s2、s3、s4、s5}。

9、優選的，所述ssff模塊融合來自主干網絡輸出的p2、p3、p4特征圖。

10、優選的，所述tfe模塊融合大、中、小三種尺寸的特征。

11、優選的，所述增加微小目標檢測頭，融合高分辨率p2特征圖的信息，輸出到頭部用于檢測4×4px以上的微小目標。

12、優選的，所述替換dwr模塊中不同膨脹率的膨脹深度卷積。

13、優選的，所述膨脹深度卷積的膨脹率分別為3，5。

14、優選的，所述drb模塊具有不同的核大小。

15、優選的，所述drb模塊的核大小分別為5和7。

16、優選的，所述共享參數檢測頭(spad)，使頸部輸出的s2、s3、s4、s5層特征圖共享用3×3gn_conv進行特征提取。

17、本發明的有益技術效果：

18、(1)通過對原始缺陷數據進行切圖處理，解決了因原始缺陷圖像分辨率過大，直接輸入到模型進行訓練將占據大量顯存且小尺寸目標信息將會丟失的問題。

19、(2)對切圖后的邊異常、淺色塊缺陷和光圈缺陷的圖像進行數據增強，生成的瓷磚表面缺陷圖像不僅使數據集具有多樣性，而且還能使各種缺陷的樣本比例更加均衡，有助于模型更好地學習不同類型的缺陷。

20、(3)針對現有方法對于檢測瓷磚表缺陷存在的問題，對yolov8卷積神經網絡檢測模型進行改進，包括整合asf框架重構原yolov8檢測模型的頸部結構并基于此增加微小目標檢測頭，通過增加多尺度融合以及細節信息獲取能力，顯著提高了微小目標的檢測能力。設計了一種c2f-dd模塊替換原yolov8卷積神經網絡檢測模型，使得替換后的模型能夠更加高效、更加靈活的獲取上下文信息，這不僅可以了解不同層次的上下文細微差別來更好地區分物體及其背景，而且能夠優先處理相關信息，同時忽略非重要信息。設計了一種共享參數檢測頭(spad)，提高了參數利用率的同時平衡了檢測精度。改進后的yolov8卷積神經網絡檢測模型不僅提高了檢測缺陷的能力，同時平衡了模型復雜度，滿足了工業實時檢測的要求。

技術特征：

1.一種基于改進yolov8的瓷磚多尺度表面缺陷檢測方法，其特征在于，所述方法包括：

2.如權利要求1所述的一種基于改進yolov8的瓷磚多尺度表面缺陷檢測方法，其特征在于，切割圖像以及數據增強；

3.如權利要求1所述的一種基于改進yolov8的瓷磚多尺度表面缺陷檢測方法，其特征在于，使用asf架構重構yolov8模型的頸部結構并增加微小目標檢測頭；

4.如權利要求3所述的一種基于改進yolov8的瓷磚多尺度表面缺陷檢測方法，其特征在于，所述的增加微小目標檢測頭；

5.如權利要求4所述的一種基于改進yolov8的瓷磚多尺度表面缺陷檢測方法，其特征在于，設計了c2f_dd模塊用于替換原主干網絡的c2f模塊；

6.如權利要求5所述的一種基于改進yolov8的瓷磚多尺度表面缺陷檢測方法，其特征在于，設計了一種共享參數檢測頭(spad)；

技術總結
本發明公開了一種基于改進YOLOv8的瓷磚多尺度表面缺陷檢測方法，涉及目標檢測領域。本發明提供的瓷磚表面缺陷檢測方法，包括如下步驟：S1、獲取瓷磚表面缺陷圖像；S2、切割圖像以及數據增強，構建得到瓷磚表面缺陷圖像數據集；S3、構建并初始化改進YOLOv8卷積神經網絡檢測模型，將搭建的缺陷圖像數據集輸入所述的改進YOLOv8卷積神經網絡檢測模型進行訓練，得到所對應的瓷磚表面缺陷檢測神經網絡模型；所述改進YOL?Ov8卷積神經網絡檢測模型包括使用ASF架構重構原模型的頸部結構并增加微小目標檢測頭；設計C2f_DD模塊用于替換原主干網絡的C2f模塊；設計一種共享參數檢測頭(SPaD)。S4、對改進后的YOLOv8卷積神經網絡檢測模型進行測試和評價。

技術研發人員：黃祥珂,謝維成,胡林,劉久成
受保護的技術使用者：西華大學
技術研發日：
技術公布日：2025/4/28