钢铁研究学报

作者：彭有有¹, 李维刚^1,2, 胡佳琪¹

单位：1.武汉科技大学人工智能与自动化学院,湖北武汉430081;；2.武汉科技大学冶金自动化与检测技术教育部工程研究中心,湖北武汉430081

关键词：带钢表面缺陷检测,YOLOv8n,多尺度特征,注意力机制,损失函数

基金：湖北省科技人才服务企业资助项目(2024DJC077)

带钢表面缺陷存在尺度差异大、纹理复杂、微小缺陷难识别等问题,导致检测精度偏低,故本文提出一种基于 YOLOv8n 改进的检测算法 DMI-YOLO,旨在提升多尺度特征提取能力与小目标检测精度。首先,构造轻量化特征提取模块 C2f-DWRB,通过引入多尺度膨胀残差与膨胀重参数化块结构,增强对不同尺度缺陷的感知能力;其次,在颈部网络中嵌入调制融合模块,借助自适应注意力机制融合局部细节与全局语义信息,强化复杂背景下的特征表达效果;最后,在预测阶段采用 Inner-EIoU 改进原始损失函数,通过宽高比优化策略,提升对微小缺陷的定位鲁棒性。试验结果表明,该改进算法在 NEU-DET 数据集上的平均检测精度达到 80.3%,较原 YOLOv8n 网络提升 3.5%,检测速度维持在 84.2帧/秒,且模型体积与计算复杂度均有所降低。所提 DMI-YOLO 算法在热轧带钢表面缺陷检测任务中兼具高精度与实时性优势,能够满足实际工业应用的需求。

来源：2026年第3期

《钢铁研究学报》期刊编辑部

查看钢铁研究学报杂志2026年第3期