一种基于DMFSO-YOLO网络的钢铁表面缺陷目标检测方法

本发明在YOLOv8n算法的基础上，提出了一种用于钢表面缺陷检测的动态多尺度融合和速度优化的网络(DMFSO‑YOLO)。包括：S1：在DMFSO‑YOLO骨干网络中，提出了速度优化的精度模块(SOPM)，用残差部分卷积连同通道“挤压‑激励”操作来传输信息，在保持高精度的同时减少了冗余计算。S2：在颈部网络中设计了动态多尺度特征融合模块(DMFF)，通过多级特征提取、注意力机制和深度特征融合，使模型能够准确识别复杂背景中的微小缺陷。S3：在头部网络中，引入归一化高斯‑瓦瑟斯坦距离(NWD)，以更有效地量化预测框与真实框之间的差异，提供稳定的梯度反馈，增强模型对小缺陷的定位能力。与传统方法相比，在显著提高检测性能的同时能保证模型的实时性。本发明可用于对复杂场景下钢铁表面缺陷检测任务，并且检测精度较传统的模型有较大的提升。