随着工业制造业向智能化、自动化和数字化方向转型，产品质量检测对检测效率、准确性和一致性的要求不断提高。传统工业表面缺陷检测主要依赖人工目视检查或传统图像处理算法，容易受到检测人员经验、光照环境及产品表面复杂纹理的影响，存在检测效率低、主观性强、漏检率较高等问题。
在钢材生产过程中，裂纹、夹杂、斑块、麻点、轧入氧化皮和划痕等表面缺陷会直接影响产品质量及后续加工性能。随着深度学习和计算机视觉技术的发展，基于目标检测算法的自动化缺陷识别逐渐成为工业视觉检测的重要技术方向。
然而，工业缺陷通常具有样本数量少、类别分布不均衡、缺陷尺寸小、形态差异大以及背景纹理复杂等特点，对检测模型的特征提取能力和泛化能力提出了较高要求。因此，本项目基于 YOLOv8 构建工业表面缺陷检测系统，通过优化小样本数据增强策略、引入 CBAM 注意力机制，提升模型对细微缺陷及复杂背景下缺陷目标的识别能力，为工业产品质量检测提供智能化技术方案。
基于改进YOLOv8构建工业表面缺陷检测系统，针对小样本场景优化数据增强策略，融合CBAM注意力机制强化缺陷特征提取；在NEU-DET数据集上6类缺陷mAP@0.5达78.5%，较原生模型提升4.1个百分点
1. 数据集处理： 使用 NEU-DET 工业表面缺陷数据集，包含裂纹、夹杂、斑块、麻点、轧入氧化皮和划痕 6 类缺陷。编写数据预处理脚本，统一图像尺寸与标注格式，划分训练集、验证集和测试集，并检查标注文件的准确性。
2. 数据增强优化： 针对工业缺陷样本数量少、类别分布不均衡的问题，在训练阶段引入随机翻转、旋转、亮度与对比度调整、Mosaic 等增强方式，增加缺陷样本的多样性，提高模型对不同光照、角度及缺陷形态的适应能力。
3. 模型结构改进： 基于 YOLOv8 的 Backbone 和 Neck 结构进行调整，在特征提取阶段引入 CBAM 注意力模块，通过通道注意力和空间注意力机制，对重要缺陷特征进行加权，抑制复杂背景及无关区域的干扰，增强模型对细微缺陷的特征表达能力。
4. 模型训练与调优： 使用 PyTorch 框架完成模型训练，结合预训练权重进行迁移学习，根据训练损失和验证集指标调整学习率、Batch Size、训练轮数等参数，降低过拟合风险。
5. 模型评估与对比： 使用 Precision、Recall、mAP@0.5 等指标评估检测效果，并与原生 YOLOv8 模型进行对照实验，分析数据增强策略和 CBAM 模块对检测性能的影响。
评论