基于改进YOLOv8s的金属齿轮表面瑕疵检测算法

doi:10.3969/j.issn.1006-2475.2025.01.016

摘要/Abstract

摘要： 针对现有金属齿轮表面瑕疵实时检测存在识别精度低、检测速度慢、难以部署等问题，为提高检测的工作效率及准确率，保障产品质量，提出一种金属齿轮瑕疵检测算法YOLO-GEAR。首先,在特征提取层中设计轻量化的模块C2f-Faster，大幅减少模型的参数量和计算量，提高模型检测速度；其次,添加EMA注意力模块，提高特征提取的效率和准确性；最后,引入双向特征融合结构BiFPN，增强特征融合能力。实验结果表明，本文算法在测试集上平均精确率与改进前相比提升了3.2%，检测速度达到153.8 FPS，网络模型所占内存仅为6.2 MB，验证了该算法具有识别精度高、检测速度快、模型内存占比小等优势，有助于实现工业部署。

关键词: 金属齿轮瑕疵检测, 轻量化, EMA注意力, BiFPN

Abstract: Aiming at the existing problems such as low identification accuracy， slow detection speed and difficult deployment in real-time detection of metal gear surface defects， a metal gear defect detection algorithm YOLO-GEAR is proposed to improve the efficiency and accuracy of detection and ensure product quality. Firstly， the lightweight module C2f-Faster is designed in the feature extraction layer， which greatly reduces the number of parameters and calculation amount of the model， so as to improve the model detection speed. Secondly， EMA attention module is added to improve the efficiency and accuracy of feature extraction. Finally， the bidirectional feature fusion structure BiFPN is introduced to enhance the feature fusion capability. The experimental results show that the average accuracy of the proposed algorithm on the test set is increased by 3.2% compared with the improvement before， the detection speed reaches 153.8 FPS， and the memory of the network model is only 6.2 MB. It is verified that the algorithm has the advantages of high recognition accuracy， fast detection speed， and small model memory ratio， which is helpful for the realization of industrial deployment.

Key words: , metal gear defect detection, lightweight, EMA attention, BiFPN

中图分类号:

TP391.41

涂福泉, 戚晏奇, 刘建, 汪曙峰. 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, 0(01): 100-106.

TU Fuquan, QI Yanqi, LIU Jian, WANG Shufeng. Metal Gear Surface Defect Detection Algorithm Based on Improved YOLOv8s[J]. Computer and Modernization, 2025, 0(01): 100-106.

参考文献

［1］ MA H， ZENG J， FENG R J， et al. Review on dynamics of cracked gear systems［J］. Engineering Failure Analysis， 2015，55：224-245.
［2］陈国民，顾敏. 我国齿轮制造技术发展中的材料和热处理［C］// 2003年中国国际齿轮传动制造及装备技术研讨会论文集. 中国机械通用零部件工业协会中国齿轮专业协会， 2003：93-100.
［3］高超学，苏小平，梁栋，等. 改进的渐开线齿轮检测方法的研究［J］. 机械设计与制造， 2021，369（11）：301-304.
［4］王磊，肖倩，邓芳芳. 人工智能对中国制造业创新的影响研究——来自工业机器人应用的证据［J］. 财经论丛（浙江财经学院学报）， 2023（9）：14-24.
［5］赵立新，邢润哲，白银光，等. 深度学习在目标检测的研究综述［J］. 科学技术与工程， 2021，21（30）：12787-12795.
［6］ BHAGYA C， SHYNA A. An overview of deep learning based object detection techniques［C］// 2019 1st International Conference on Innovations in Information and Communication Technology （ICIICT）. IEEE， 2019：1-6.
［7］ GIRSHICK R. Fast R-CNN ［C］// IEEE International Conference on Computer Vision. Piscataway. IEEE， 2016：1440-1448.
［8］ REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017，39 （6）：1137-1149.
［9］ HE K M， GKIOXARI G， DOLLAR P， et al. Mask R-CNN ［C］// Proceedings of the IEEE International Conference on Computer Vision. IEEE， 2017：2961-2969.
［10］ U L X， ZHANG R Y， WANG X T. Overview of two-stage object detection algorithms［C］// 2020 5th International Conference on Intelligent Computing and Signal Processing. ICSP， 2020. DOI ： 10.1088/1742-6596/1544/1/012033.
［11］ LIU W，ANGUELOV D，ERHAN D，et al. SSD： Single shot multibox detector［C］// 2016 14th European Conference on Computer Vision. Springer， 2016：21-37.
［12］ REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， real-time object detection［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2016：779-788.
［13］杨锋，丁之桐，邢蒙蒙，等. 深度学习的目标检测算法改进综述［J］. 计算机工程与应用， 2023，59（11）：1-15.
［14］刘浩翰，孙铖，贺怀清，等. 基于改进YOLOv3的金属表面缺陷检测［J］. 计算机工程与科学， 2023，45（7）：1226-1235.
［15］涂万，于红，张鹏，等. 基于通道非降维与空间协调注意力的改进YOLOv8养殖鱼群检测［J］. 大连海洋大学学报， 2023，38（4）：717-725.
［16］李松，史涛，井方科. 改进YOLOv8的道路损伤检测算法［J］. 计算机工程与应用， 2023，59（23）：165-174.
［17］张曙文，钟振宇，朱大虎. 基于改进YOLOx网络的金属齿轮表面缺陷检测方法［J］. 激光与光电子学进展，2023，60（22）：272-282.
［18］刘馨柔，李洋，宋文军. 基于SlimYOLOv3的工业场景目标检测算法［J］. 计算机应用研究， 2021，38（6）：1889-1893.
［19］ CHEN J R， KAO S H， HE H， et a1. Run， don’ t walk：Chasing higher FLOPS for faster neural networks［C］∥Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2023：1202l-12031.
［20］任欢，王旭光.注意力机制综述［J］.计算机应用， 2021，41（增1）：1-6.
［21］ OUYANG D L， HE S， ZHANG G Z， et al. Efficient multi-scale attention module with cross-spatial learning［C］// 2023 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）. IEEE， 2023：1-5.
［22］ LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2017：936-944.
［23］ LIU S， QI L， QIN H F， et al. Path aggregation network for instance segmentation［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2018：8759-8768.
［24］ TAN M X， PANG R M， LE Q V. EfficientDet： Scalable and efficient object detection［C］ // 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2020：10778-10787.
［25］ WOO S H Y， PARK J， LEE J Y， et al. CBAM： Convolutional block attention module［C］// Proceedings of the European Conference on Computer Vision （ECCV）. Springer， 2018：3-19.
［26］ HOU Q B， ZHOU D Q， FENG J S. Coordinate attention for efficient mobile network design［C］// 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2021：13708-13717.
［27］ GE Z， LIU S T， WANG F， et al. YOLOX： Exceeding YOLO series in 2021［J］. arXiv preprint arXiv：2107.08430，
2021.
［28］ QIAO S Y， CHEN L C， YUILLE A. DetectoRS： Detecting objects with recursive feature pyramid and switchable atrous convolution［C］// 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2021：10208-10219

[1]	董玉玟. 基于改进YOLOv7-tiny的多尺度运动目标检测算法[J]. 计算机与现代化, 2024, 0(11): 99-105.
[2]	张宇1, 2, 黎靖1, 2, 马铭1, 2, 王众祥1, 2, 孙妍1, 2. YOLOLW:一个新的轻量级目标检测模型[J]. 计算机与现代化, 2024, 0(11): 91-98.
[3]	岳有军1, 2, 张远锟1, 赵辉1, 2, 王红君1, 2. 基于多尺度特征与注意力模块的室内场景识别方法[J]. 计算机与现代化, 2024, 0(08): 37-42.
[4]	周永钦, 王勇, 王瑛. 基于多尺度特征及注意力机制的轻量化PCB缺陷检测方法#br#[J]. 计算机与现代化, 2024, 0(02): 88-92.
[5]	欧嘉城, 曾安, 金亮. 基于CP-YOLOX的冷冻电镜图像蛋白质目标检测算法[J]. 计算机与现代化, 2023, 0(11): 113-119.
[6]	罗明杰, 冯开平. 基于沙漏结构与注意力机制的轻量级人脸表情识别方法[J]. 计算机与现代化, 2023, 0(11): 89-94.
[7]	李延满, 王必恒, 赵羚焱. 基于轻量化YOLOv5的安全帽检测[J]. 计算机与现代化, 2023, 0(10): 59-64.
[8]	山雨, 张好鹏, 池静. 基于改进YOLOv4的轻量化车牌检测算法[J]. 计算机与现代化, 2023, 0(07): 99-104.
[9]	黄子平, 黄继风, 周小平. 基于YOLOv3的改进仪表检测算法[J]. 计算机与现代化, 2022, 0(01): 77-84.
[10]	王坭, 王淑营, 史海欧, 袁泉. 基于三角剖分算法的BIM模型高精度显示方法[J]. 计算机与现代化, 2021, 0(09): 57-62.