来源：期刊VIP网 时间：
作者：陶欣;赵罘;龚堰珏;张语涵;
单位：北京工商大学计算机与人工智能学院;
摘要：针对工业质检场景中轴承表面瑕疵检测存在的人工效率低下、误检率高、易漏检等问题，提出一种融合多尺度特征增强与动态样本优化的YOLOv8改进模型。首先，通过简单线性迭代聚类(SLIC)超像素分割算法构建图像局部感知单元，结合灰度共生矩阵(GLCM)量化分析各区域纹理熵值，实现潜在瑕疵区域的自适应定位；其次，在主干网络嵌入新型局部引导注意力(Spot-guided Attention)模块，通过超像素纹理特征动态生成空间权重掩膜，强化网络对高熵区域的聚焦能力，有效抑制反光伪影干扰；同时，设计加权双向特征金字塔网络(BiFPN)替代原有多尺度融合结构，利用通道-空间双重注意力机制优化特征聚合过程，增强小尺寸瑕疵与重叠目标的边缘一致性表征；此外，引入可学习的多类别聚焦损失函数(LMFLOSS),根据训练样本分布动态调节类别权重与难易样本惩罚系数，缓解工业数据长尾分布导致的模型偏倚问题。实验结果表明，与原模型以及Faster-RCNN、SSD、YOLO系列等主流检测模型相比较，该方法在检测速度和准确度方面效果更优，有效提升了系统在噪声干扰、低光照和工件旋转等复杂场景下的检测性能。
关键词：瑕疵检测;;注意力机制;;深度学习;;YOLOv8;;机器视觉
基金资助：国家自然科学基金资助项目(51975006)
