摘要：瓷磚作為常見(jiàn)的建筑裝飾材料，其質(zhì)量直接關(guān)系到建筑的美觀性和使用安全性。傳統(tǒng)的瓷磚瑕疵檢測(cè)方法存在效率低下和準(zhǔn)確性不高的問(wèn)題。為此，文章提出了一種基于改進(jìn)YOLOv8算法的瓷磚瑕疵檢測(cè)方法，旨在提高檢測(cè)的精度和速度。通過(guò)增設(shè)小目標(biāo)檢測(cè)層，強(qiáng)化深層和淺層語(yǔ)義信息的融合，從而確保模型能夠識(shí)別更多的小目標(biāo)瑕疵；同時(shí)，在頸部結(jié)構(gòu)中引入GAM注意力機(jī)制，使模型能夠關(guān)注到圖像中瑕疵的關(guān)鍵區(qū)域。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法在瓷磚瑕疵檢測(cè)任務(wù)中表現(xiàn)出色，模型的mAP（平均精確率均值）達(dá)到89.83%，能有效檢測(cè)多種類(lèi)型的瑕疵，為瓷磚生產(chǎn)的質(zhì)量控制提供了有力的技術(shù)支持。

關(guān)鍵詞：瓷磚瑕疵檢測(cè)；YOLOv8；改進(jìn)算法；注意力機(jī)制

中圖分類(lèi)號(hào)：TP391.41；TP18" " "文獻(xiàn)標(biāo)識(shí)碼：A" " "文章編號(hào)：1674-0688（2024）12-0006-06

0 引言

瓷磚作為建筑裝飾領(lǐng)域的重要材料，其表面質(zhì)量至關(guān)重要。瑕疵不僅影響瓷磚的美觀，還可能降低其使用壽命和性能。隨著瓷磚生產(chǎn)規(guī)模的不斷擴(kuò)大，傳統(tǒng)的人工檢測(cè)方法在效率和準(zhǔn)確性方面已難以滿(mǎn)足實(shí)際需求。因此，利用先進(jìn)的計(jì)算機(jī)視覺(jué)技術(shù)實(shí)現(xiàn)瓷磚瑕疵的自動(dòng)檢測(cè)具有重要的現(xiàn)實(shí)意義。目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要任務(wù)，其發(fā)展主要集中于兩階段目標(biāo)檢測(cè)和一階段目標(biāo)檢測(cè)兩個(gè)方面。兩階段目標(biāo)檢測(cè)憑借高精度和可靠性，在復(fù)雜任務(wù)中得到了廣泛應(yīng)用。該方法先生成候選區(qū)域，再利用分類(lèi)器進(jìn)行處理，如R-CNN（基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)）［1］、Fast R-CNN［2］、Faster R-CNN［3］和Mask R-CNN［4］等。這些算法通過(guò)RPN（區(qū)域提議網(wǎng)絡(luò)）生成候選區(qū)，并利用CNN（卷積神經(jīng)網(wǎng)絡(luò)） 進(jìn)行分類(lèi)和回歸，雖然精度較高，但是計(jì)算復(fù)雜，推理速度慢，不適用于實(shí)時(shí)應(yīng)用。相比之下，一階段目標(biāo)檢測(cè)簡(jiǎn)化了檢測(cè)流程，將目標(biāo)檢測(cè)任務(wù)簡(jiǎn)化為單個(gè)階段，無(wú)需生成中間候選區(qū)域，直接預(yù)測(cè)目標(biāo)類(lèi)別和位置，如YOLO（You Only Look Once）、SSD（單次多框檢測(cè)）和RetinaNet（視網(wǎng)膜網(wǎng)絡(luò)）等。這些模型通過(guò)單次前向傳播，直接從輸入圖像生成目標(biāo)類(lèi)別和邊界框預(yù)測(cè)結(jié)果，顯著提升了計(jì)算效率，縮短了處理時(shí)間。

隨著智能工業(yè)時(shí)代的到來(lái)，深度學(xué)習(xí)技術(shù)在工業(yè)生產(chǎn)檢測(cè)中的應(yīng)用日益廣泛，特別是在瓷磚表面缺陷檢測(cè)領(lǐng)域取得了顯著成果，但仍存在不足。例如，Samarawickrama等［5］采用Matlab軟件，通過(guò)對(duì)比圖像中特定區(qū)域內(nèi)白色像素比例與整體占比來(lái)檢測(cè)瓷磚表面缺陷，但該方法易受圖像質(zhì)量、光照條件以及缺陷類(lèi)型多樣性的影響。如果瓷磚表面缺陷不以白色像素為主要特征，或圖像受到噪聲、陰影等干擾，可能導(dǎo)致誤檢或漏檢。Cao等［6］提出的基于改進(jìn)Cascade-RCNN網(wǎng)絡(luò)的瓷磚表面缺陷檢測(cè)模型，雖然能在不同紋理背景下準(zhǔn)確定位和識(shí)別缺陷，但是模型的訓(xùn)練和優(yōu)化需大量標(biāo)注數(shù)據(jù)，并且對(duì)計(jì)算資源要求較高。如果瓷磚表面缺陷類(lèi)型過(guò)于復(fù)雜或多樣，模型泛化能力可能會(huì)受限。Lu等［7］提出的多滑動(dòng)窗口檢測(cè)方法有效解決了因瓷磚紋理干擾導(dǎo)致的誤檢問(wèn)題，但該方法需對(duì)高分辨率瓷磚圖像進(jìn)行裁剪和切片處理，提高了處理的復(fù)雜性和時(shí)間成本。同時(shí)，切片之間的重疊部分可能導(dǎo)致重復(fù)檢測(cè)或遺漏。Zhang等［8］的方法雖然適用于復(fù)雜紋理瓷磚表面缺陷的識(shí)別，但是改進(jìn)的SSR（Single Scale Retinex）算法和顯著性檢測(cè)等步驟提高了算法的復(fù)雜性和計(jì)算量。如果瓷磚表面缺陷與背景紋理相似或融合，該方法可能面臨挑戰(zhàn)。Alamsyah等［9］采用的數(shù)字圖像處理技術(shù)雖然能精準(zhǔn)識(shí)別瓷磚表面缺陷，但是中位濾波器預(yù)處理和灰度共生矩陣特征提取等步驟易受圖像噪聲、光照變化等因素影響。同時(shí)，KNN（k-Nearest Neighbor）分類(lèi)算法的性能受訓(xùn)練數(shù)據(jù)集質(zhì)量和數(shù)量的限制。

相較于傳統(tǒng)目標(biāo)檢測(cè)技術(shù)，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法在精準(zhǔn)度和魯棒性方面更優(yōu)，但仍存在不足。深度學(xué)習(xí)模型的訓(xùn)練和優(yōu)化需要大量計(jì)算資源和時(shí)間成本；模型泛化能力受訓(xùn)練數(shù)據(jù)集多樣性和質(zhì)量的限制；如果瓷磚表面缺陷類(lèi)型或紋理特征發(fā)生顯著變化，模型可能需重新訓(xùn)練或調(diào)整參數(shù)以適應(yīng)新環(huán)境。鑒于現(xiàn)有瓷磚表面瑕疵檢測(cè)方法的局限性，本文提出了一種基于改進(jìn)YOLOv8［10］的創(chuàng)新模型。該模型通過(guò)增設(shè)小目標(biāo)檢測(cè)層，有效融合了深層與淺層語(yǔ)義信息，顯著提升了模型對(duì)小瑕疵的識(shí)別能力。同時(shí)，在模型頸部結(jié)構(gòu)中引入GAM（Gated Attention Module，全局注意力模塊）注意力機(jī)制，使模型能夠精準(zhǔn)聚焦于圖像中的瑕疵關(guān)鍵區(qū)域，大幅降低了誤檢率。此外，本文對(duì)YOLOv8模塊的損失函數(shù)進(jìn)行了優(yōu)化，將CIoU替換為Focal EIoU［11］，進(jìn)一步提高了預(yù)測(cè)框的精確度，加速了模型收斂過(guò)程，從而全面提升了瓷磚瑕疵檢測(cè)模型的性能。這一系列精心設(shè)計(jì)的優(yōu)化措施，共同推動(dòng)了瓷磚瑕疵檢測(cè)技術(shù)的實(shí)質(zhì)性進(jìn)步。

1 YOLOv8算法概述

YOLOv8是Ultralytics公司在YOLO系列中的最新成果，代表了新一代實(shí)時(shí)對(duì)象檢測(cè)深度學(xué)習(xí)框架的水平。它不僅延續(xù)了YOLO系列的高效與實(shí)時(shí)檢測(cè)優(yōu)勢(shì)，還通過(guò)多方面的深度優(yōu)化與革新，實(shí)現(xiàn)了檢測(cè)精度與性能的雙重提升。YOLOv8采用了改良的骨干網(wǎng)絡(luò)結(jié)構(gòu)，如CSPNet（Cross Stage Partial Network）［12］，這一設(shè)計(jì)在大幅減少參數(shù)量的同時(shí)，顯著增強(qiáng)了特征提取的效能與深度，確保了模型在保持輕量化的同時(shí)，仍能精準(zhǔn)捕捉并解析豐富的圖像特征。與前代如YOLOv5等版本相比，YOLOv8摒棄了傳統(tǒng)的錨點(diǎn)檢測(cè)方式，轉(zhuǎn)而采用無(wú)錨檢測(cè)策略，直接預(yù)測(cè)目標(biāo)的中心坐標(biāo)與邊界框。這一變革不僅簡(jiǎn)化了檢測(cè)流程，還在提升檢測(cè)精度與效率方面取得了顯著成效，同時(shí)避免了手動(dòng)調(diào)整錨點(diǎn)的繁瑣過(guò)程，加速了非極大值抑制（NMS）等關(guān)鍵推理步驟的執(zhí)行。此外，YOLOv8在Backbone與Neck部分融入了創(chuàng)新元素，如C2f模塊，通過(guò)增設(shè)跳躍連接、豐富梯度流等手段，進(jìn)一步強(qiáng)化了特征提取的廣度與深度，從而全面提升了模型的整體性能。值得一提的是，YOLOv8在單目標(biāo)檢測(cè)算法的基礎(chǔ)上實(shí)現(xiàn)了顯著優(yōu)化與拓展，展現(xiàn)出卓越的跨尺度感知能力，極大地提升了瑕疵檢測(cè)的精準(zhǔn)度與效率。YOLOv8結(jié)構(gòu)圖見(jiàn)圖1。

2 瓷磚表面缺陷瑕疵數(shù)據(jù)集

2.1 瓷磚表面瑕疵缺陷分類(lèi)

本文使用的數(shù)據(jù)集來(lái)源于廣東工業(yè)制造創(chuàng)新大賽的智能算法競(jìng)賽——瓷磚瑕疵檢測(cè)環(huán)節(jié)。該數(shù)據(jù)集包含豐富的瓷磚瑕疵樣本，共計(jì)5 388張圖像，涵蓋了約12 000個(gè)檢測(cè)目標(biāo)。瓷磚瑕疵類(lèi)型多樣，具體包括邊異常、角異常、白色點(diǎn)瑕疵、淺色塊瑕疵、深色點(diǎn)塊瑕疵以及光圈瑕疵（圖2）。

2.2 瓷磚表面瑕疵類(lèi)型分析處理

原數(shù)據(jù)集圖像的高分辨率及眾多瑕疵目標(biāo)會(huì)導(dǎo)致訓(xùn)練過(guò)程耗時(shí)且檢測(cè)效果不佳，極大地增加了模型學(xué)習(xí)的難度，因?yàn)槟繕?biāo)相對(duì)于原圖尺度較小。為顯著提升模型運(yùn)行速度和檢測(cè)精度，本實(shí)驗(yàn)采取了高效的數(shù)據(jù)集離線(xiàn)切片策略。將原始大尺寸圖片切割成多個(gè)640×640像素的小圖，作為模型訓(xùn)練的輸入數(shù)據(jù)。離線(xiàn)處理確保了數(shù)據(jù)處理的高效性和便捷性。

在切圖過(guò)程中，設(shè)計(jì)了一個(gè)640×640像素的滑動(dòng)窗口，從原始圖像的左上角開(kāi)始，按從左到右、從上到下的順序逐步滑動(dòng)切割。為避免切割邊緣落在瑕疵目標(biāo)上導(dǎo)致目標(biāo)被截?cái)啵貏e設(shè)置了重疊區(qū)域，使相鄰滑動(dòng)窗口之間存在20%的交集（即重疊比例為0.2）。這一措施有效保障了瑕疵目標(biāo)的完整性，減少了因切割導(dǎo)致的信息丟失。在計(jì)算切圖步長(zhǎng)時(shí)，根據(jù)重疊比例確定步長(zhǎng)為512像素。從原圖左上角開(kāi)始切圖，切出圖像的左上角坐標(biāo)x、y依次遞增，但在最后一步時(shí)，需調(diào)整切圖的重疊部分，確保不超出原圖范圍。例如，當(dāng)y坐標(biāo)遞增到5 120后，下一步的y坐標(biāo)應(yīng)調(diào)整為6 000-640，以避免超出原圖6 000像素的高度。

在標(biāo)簽處理上，切圖對(duì)應(yīng)的標(biāo)簽變化僅涉及簡(jiǎn)單的幾何變換（即左上角坐標(biāo)的加減運(yùn)算）。將所有原始數(shù)據(jù)集切成640×640像素的小圖后，剔除純背景圖像，數(shù)據(jù)集規(guī)模擴(kuò)大至21 422張圖片，極大地豐富了訓(xùn)練樣本。通過(guò)采取離線(xiàn)切片策略并精心設(shè)計(jì)切圖過(guò)程，成功解決了原始數(shù)據(jù)集圖像分辨率高、目標(biāo)尺度小的問(wèn)題，為模型訓(xùn)練提供了豐富且高效的訓(xùn)練樣本。為科學(xué)劃分?jǐn)?shù)據(jù)集，隨機(jī)選取其中5 000張圖片作為訓(xùn)練集，用于模型的訓(xùn)練與優(yōu)化；隨機(jī)選取1 000張圖片作為驗(yàn)證集，用于評(píng)估模型的性能與泛化能力。

3 改進(jìn)的YOLOv8算法在瓷磚瑕疵檢測(cè)中的應(yīng)用

3.1 設(shè)計(jì)檢測(cè)模型

基于瓷磚瑕疵檢測(cè)的任務(wù)特性，鑒于瓷磚瑕疵通常表現(xiàn)為像素點(diǎn)少、形狀多樣、大小不一，并且與背景紋理高度相似，導(dǎo)致瑕疵特征難以有效提取，傳統(tǒng)方法易出現(xiàn)漏檢和誤檢問(wèn)題。同時(shí)，原始的YOLOv8模型在檢測(cè)瓷磚中的微小瑕疵時(shí)，也存在信息丟失和性能不足的情況。因此，本文在YOLOv8模型基礎(chǔ)上進(jìn)行了針對(duì)性的改進(jìn)，以提升模型對(duì)瓷磚瑕疵檢測(cè)的準(zhǔn)確性和整體性能。改進(jìn)后的模型設(shè)計(jì)如下。

（1）針對(duì)瓷磚瑕疵尺度小且變化多樣的特點(diǎn)，模型中增加了小目標(biāo)檢測(cè)層。這一改進(jìn)旨在更好地捕捉瓷磚圖像中的細(xì)微瑕疵特征，同時(shí)增強(qiáng)深層和淺層語(yǔ)義信息的融合程度，確保模型能夠識(shí)別并定位更多的小目標(biāo)瑕疵。通過(guò)引入該層，模型在處理瓷磚瑕疵檢測(cè)任務(wù)時(shí)，能夠更細(xì)致地分析圖像細(xì)節(jié)，減少漏檢情況，從而提高檢測(cè)精度。此外，增設(shè)小目標(biāo)檢測(cè)層有效融合了深層與淺層語(yǔ)義信息，顯著提升了模型對(duì)小瑕疵的識(shí)別能力。

（2）在模型的頸部結(jié)構(gòu)中，引入了GAM注意力機(jī)制。GAM注意力機(jī)制能夠引導(dǎo)模型關(guān)注圖像中包含瑕疵的關(guān)鍵區(qū)域，從而有效區(qū)分瑕疵與背景紋理。這一改進(jìn)使得模型在處理具有復(fù)雜紋理背景的瓷磚圖像時(shí)，能夠更準(zhǔn)確地定位瑕疵位置，減少誤檢情況，提高檢測(cè)的魯棒性和準(zhǔn)確性。

（3）為優(yōu)化預(yù)測(cè)框并提高模型的收斂效果，將YOLOv8模塊中的CIoU損失函數(shù)替換為Focal EIoU損失函數(shù)。Focal EIoU損失函數(shù)在CIoU的基礎(chǔ)上進(jìn)行了改進(jìn)，更加關(guān)注預(yù)測(cè)框與真實(shí)框之間的重疊程度和形狀差異，同時(shí)賦予難以分類(lèi)的樣本更高權(quán)重。這一改進(jìn)不僅提高了模型的檢測(cè)性能，而且還使模型在檢測(cè)瓷磚瑕疵時(shí)能夠更準(zhǔn)確地預(yù)測(cè)瑕疵的位置和大小，有助于模型在訓(xùn)練過(guò)程中更快收斂至最優(yōu)解。改進(jìn)后的YOLOv8網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖3。

3.2 增強(qiáng)小目標(biāo)檢測(cè)能力

針對(duì)瓷磚表面瑕疵尺寸較小且細(xì)節(jié)豐富的特點(diǎn)，在YOLOv8模型的基礎(chǔ)上增加了小目標(biāo)檢測(cè)層。由于小目標(biāo)樣本尺寸偏小且子采樣系數(shù)偏大，因此YOLOv8在利用深層特征圖捕捉小目標(biāo)特征時(shí)面臨挑戰(zhàn)。原始模型設(shè)計(jì)針對(duì)640×640像素的輸入圖像，最小檢測(cè)尺度設(shè)定為80×80像素，導(dǎo)致高度或?qū)挾刃∮?0像素的目標(biāo)在單個(gè)網(wǎng)格的檢測(cè)圖像中難以被識(shí)別，從而使原始模型對(duì)小目標(biāo)的檢測(cè)失效。為解決此問(wèn)題，本文提出在模型中引入一個(gè)小目標(biāo)檢測(cè)層。該檢測(cè)層尺寸為160×160像素，并配備了一個(gè)額外的融合特征模塊和一個(gè)新增的檢測(cè)頭。

改進(jìn)過(guò)程具體如下：在原本第十五層輸出的檢測(cè)后，新增一個(gè)Upsample-Concat-C2f結(jié)構(gòu)，用于小目標(biāo)分支160×160檢測(cè)頭的輸出。隨后，使用一個(gè)CBS-Concat-C2f結(jié)構(gòu)，先將160×160卷積變換為80×80，再與第十五層輸出的80×80檢測(cè)頭進(jìn)行融合。通過(guò)上述改進(jìn)，網(wǎng)絡(luò)不僅提升了對(duì)于小目標(biāo)的檢測(cè)精度，還擴(kuò)大了其檢測(cè)范圍。

3.3 引入GAM注意力機(jī)制

在模型的頸部架構(gòu)中，融入了GAM注意力機(jī)制。GAM機(jī)制憑借其卓越的能力，能夠精準(zhǔn)地引導(dǎo)模型聚焦于圖像中瑕疵的關(guān)鍵區(qū)域，同時(shí)有效削弱無(wú)關(guān)背景信息的干擾，從而大幅提升檢測(cè)的精確度和魯棒性。即使面臨復(fù)雜多變的紋理和光照條件，模型也能準(zhǔn)確識(shí)別出瑕疵。

GAM注意力模塊構(gòu)造圖見(jiàn)圖4，該模塊利用全局觀察和建模技術(shù)，深入挖掘圖像特征中的關(guān)鍵信息，并顯著增強(qiáng)不同通道與空間之間的交互作用。在處理流程中，輸入特征圖F1，與通道注意力圖Mc進(jìn)行逐個(gè)通道的乘法運(yùn)算，以此凸顯對(duì)瑕疵檢測(cè)至關(guān)重要的通道特征。隨后，經(jīng)過(guò)初步處理的特征與空間注意力圖Ms進(jìn)行逐元素的乘法運(yùn)算，進(jìn)一步精確鎖定瑕疵在圖像中的具體位置。通道注意力子模塊構(gòu)造圖見(jiàn)圖5，該子模塊采用先進(jìn)的3D置換方法，在高度、寬度和通道數(shù)3個(gè)維度上同時(shí)存儲(chǔ)和處理信息，實(shí)現(xiàn)對(duì)圖像特征的全面理解。接著，引入一個(gè)包含兩層的多層感知機(jī)（MLP），用于進(jìn)一步加深通道與空間之間的內(nèi)在聯(lián)系，提升模型對(duì)特征信息的挖掘能力?？臻g注意力子模塊構(gòu)造圖見(jiàn)圖6，該子模塊利用兩個(gè)7×7的卷積層（Conv）對(duì)輸入圖的空間信息進(jìn)行精細(xì)的融合和處理，從而實(shí)現(xiàn)對(duì)瑕疵位置的精確捕捉。為確保通道注意力子模塊和空間注意力子模塊在處理特征信息時(shí)的一致性和協(xié)調(diào)性，兩個(gè)模塊在設(shè)計(jì)中采用了相同的縮小比率，這一設(shè)計(jì)策略不僅簡(jiǎn)化了模型的復(fù)雜度，還進(jìn)一步提升了模型的穩(wěn)定性和可靠性。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)配置

實(shí)驗(yàn)環(huán)境配置如下：CPU采用16核AMD EPYC 9654 96核心處理器，內(nèi)存配置為60 GB，GPU選用RTX 4090顯卡（單卡，24 GB）。本實(shí)驗(yàn)采用最新版本的PyTorch 2.0深度學(xué)習(xí)框架，結(jié)合Python編程語(yǔ)言，構(gòu)建了高效、準(zhǔn)確的瓷磚瑕疵檢測(cè)模型。

4.2 評(píng)價(jià)指標(biāo)

在目標(biāo)檢測(cè)領(lǐng)域，為全面評(píng)估模型的檢測(cè)性能，通常采用準(zhǔn)確率（P）、召回率（R）以及平均精確率均值（mAP）等關(guān)鍵指標(biāo)，用以評(píng)價(jià)模型的檢測(cè)精度。

[P=TpTp+Fp×100%]，" " " " " " （1）

[R=TpTp+Fn×100%]，" " " " " " " （2）

[mAP=j=1nAPjn]，" " " " " " " " " " " " " "（3）

其中：Tp表示正確預(yù)測(cè)為正例的數(shù)量，反映分類(lèi)器在正例識(shí)別上的準(zhǔn)確性；Fp表示錯(cuò)誤預(yù)測(cè)為正例的數(shù)量，反映分類(lèi)器在正例識(shí)別上的誤報(bào)率； Fn表示錯(cuò)誤預(yù)測(cè)為負(fù)例的數(shù)量，反映分類(lèi)器在正例識(shí)別上的漏報(bào)率；n代表數(shù)據(jù)集中的類(lèi)別總數(shù)；APj表示第j個(gè)類(lèi)別的平均精度，它是通過(guò)計(jì)算不同召回率水平下的mAP得到，反映分類(lèi)器在該類(lèi)別上的綜合檢測(cè)能力。

4.3 目標(biāo)檢測(cè)算法實(shí)驗(yàn)對(duì)比

為全面評(píng)估YOLOv8算法及其改進(jìn)版本的性能，本文選取當(dāng)前流行的單階段目標(biāo)檢測(cè)算法YOLOv5s與YOLOv8n，以及經(jīng)典的兩階段目標(biāo)檢測(cè)算法Faster-RCNN作為參照對(duì)象進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果（表1）展示了不同算法在P、R、mAP等關(guān)鍵指標(biāo)上的表現(xiàn)。分析表1中的數(shù)據(jù)可知，未經(jīng)優(yōu)化的YOLOv8n算法在P、R及mAP得分上均優(yōu)于其他對(duì)比算法。在此基礎(chǔ)上，進(jìn)一步對(duì)YOLOv8算法進(jìn)行了針對(duì)性改進(jìn)，改進(jìn)后的TOLOv8檢測(cè)效果圖見(jiàn)圖7。實(shí)驗(yàn)結(jié)果顯示，改進(jìn)后的YOLOv8算法精確度達(dá)到89.83%，實(shí)現(xiàn)了對(duì)瓷磚表面瑕疵點(diǎn)的精準(zhǔn)識(shí)別，并且其mAP得分相比原始YOLOv8n算法顯著提升了13.59%，充分驗(yàn)證了改進(jìn)措施的有效性與算法優(yōu)化后的巨大潛力。

5 結(jié)語(yǔ)

本文提出了一種基于改進(jìn)的 YOLOv8 算法的瓷磚瑕疵檢測(cè)方法。通過(guò)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)、引入注意力機(jī)制及替換損失函數(shù)，該方法有效地提高了瓷磚瑕疵檢測(cè)的精度。實(shí)驗(yàn)結(jié)果顯示，改進(jìn)后的YOLOv8算法在瓷磚瑕疵檢測(cè)任務(wù)中展現(xiàn)出良好的性能，能夠滿(mǎn)足實(shí)際生產(chǎn)中的檢測(cè)需求。未來(lái)的研究可進(jìn)一步探索將該算法應(yīng)用于實(shí)際生產(chǎn)線(xiàn)，實(shí)現(xiàn)實(shí)時(shí)、在線(xiàn)的瓷磚瑕疵檢測(cè)，從而為瓷磚生產(chǎn)行業(yè)的質(zhì)量控制提供更高效、可靠的技術(shù)支撐。

6 參考文獻(xiàn)

［1］Girshick R，Donahue J，Darrell T，et al.Rich feature hierarchies for accurate object detection and semantic segmentation［C］//Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition（CVPR'14），June 23-28，2014，Columbus，Ohio.USA：IEEE Computer Society，c2014：580-587.

［2］Girshick R.Fast r-cnn［C］//Proceedings of the 2015 IEEE International Conference on Computer Vision（ICCV'15），December 7-13，2015，Santiago，Chile.USA：IEEE Computer Society，c2015：1440-1448.

［3］REN S，HE K，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，2016，39（6）：1137-1149.

［4］He K，Gkioxari G，Dollár P，et al.Mask r-cnn［C］//2017 IEEE International Conference on Computer Vision（ICCV），October 22-29，2017，Venice，Italy.New York：IEEE，c2017：2980-2988.

［5］SAMARAWICKRAMA Y C，WICKRAMASINGHE C D. Matlab based automated surface defect detection system for ceremic tiles using image processing［C］//2017 6th National Conference on Technology and Management（NCTM），January 27，2017，Malabe，Sri Lanka.New York：IEEE，c2017：34-39.

［6］CAO Y，WANG Y，F(xiàn)ENG H，et al.Method for detecting surface defects of ceramic tile based on improved Cascade RCNN［C］//2022 4th International Conference on Frontiers Technology of Information and Computer（ICFTIC），December 2-4，2022，Qingdao，China.New York：IEEE，c2022：41-45.

［7］LU Q，LIN J，LUO L，et al.A supervised approach for automated surface defect detection in ceramic tile quality control［J］.Advanced Engineering Informatics，2022，53：101692.

［8］ZHANG H，PENG L，YU S，et al.Detection of surface defects in ceramic tiles with complex texture［J］.IEEE Access，2021，9：92788-92797.

［9］ALAMSYAH R，WIRANATA A D R.Defect detection of ceramic tiles using median filtering， morphological techniques，gray level co-occurrence matrix，and K-nearest neighbor method［J］.Scientific Research Journal，2019，7（4）.

［10］TERVEN J，CóRDOVA-E D M，ROMERO-G J A.A comprehensive review of yolo architectures in computer vision：From yolov1 to yolov8 and yolo-nas［J］.Machine Learning and Knowledge Extraction，2023，5（4）：1680-1716.

［11］ZHANG Y F，REN W，ZHANG Z，et al.Focal and efficient IOU loss for accurate bounding box regression［J］.Neurocomputing，2022，506：146-157.

［12］Wang C Y，Liao H Y M，Wu Y H，et al.CSPNet：A new backbone that can enhance learning capability of CNN［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops（CVPRW），June 14-19，2020，Seattle，WA，USA.New York：IEEE，c2020：1571-1580.

*湖南省教育廳科學(xué)研究項(xiàng)目“基于改進(jìn)Mask R-CNN的表面缺陷檢測(cè)算法研究”（23C0194）。

【作者簡(jiǎn)介】周先超，男，湖南常德人，在讀碩士研究生，研究方向：工業(yè)大數(shù)據(jù)分析、工業(yè)異常檢測(cè)；劉強(qiáng)（通信作者），男，湖北隨州人，碩士，副教授，研究方向：模式識(shí)別、智能信息處理；韓曉諾，男，河北邢臺(tái)人，在讀碩士研究生，研究方向：人工智能、工業(yè)異常檢測(cè)；林鑫，男，河南南陽(yáng)人，在讀碩士研究生，研究方向：人工智能、工業(yè)異常檢測(cè)；王文川，湖南衡陽(yáng)人，在讀碩士研究生，研究方向：人工智能、工業(yè)異常檢測(cè)；高榕檣，男，山西代縣人，本科，高級(jí)工程師，研究方向：大數(shù)據(jù)分析、智能信息處理。

【引用本文】周先超，劉強(qiáng)，韓曉諾，等.基于自注意力機(jī)制的YOLOv8瓷磚瑕疵檢測(cè)［J］.企業(yè)科技與發(fā)展，2024（12）：6-11.