计算机工程与应用

作者：计忠平, 林晨伟, 何志伟, 杜晨杰, 金冉, 柴本成

单位：1.杭州电子科技大学 计算机学院，杭州 310018；2.浙江省装备电子研究重点实验室，杭州 310018；3.浙江万里学院 大数据与软件工程学院，浙江 宁波 315100；

关键词：表面缺陷检测,YOLOv8,多尺度特征融合,注意力机制

基金：浙江省自然科学基金（LY22F020025）；国家自然科学基金（61671192）；浙江大学计算机辅助设计与图形系统全国重点实验室开放课题（A2423）；浙江省教育厅一般项目（Y202351320）。

在工业场景中，现有带钢表面缺陷检测算法易受背景噪声和无关信息干扰，难以有效提取缺陷特征。传统多尺度特征融合方法未充分考虑非相邻特征间信息传递不足的问题，限制了特征融合的效果。复杂缺陷形态和缺陷的非结构特性则进一步增加了检测的挑战性。针对这些问题，提出了集成全局局部感知与分层特征融合的带钢表面缺陷检测算法，以提升模型在特征提取、多尺度特征融合及非结构化缺陷检测方面的能力。提出了特征增强模块（feature enhancement module，FEM），通过动态调整特征权重实现对目标特征的强化和背景噪声的抑制，提升模型对带钢表面缺陷信息的关注度。提出分层融合网络（hierarchical fusion network，HFN），充分融合不同层级特征之间的语义信息，提升模型的多尺度特征表达能力。设计全局局部感知模块（global-local awareness module，GLAM），在捕捉远距离依赖和上下文信息的同时，关注局部细节，增强模型对非结构化缺陷的检测能力。在公开数据集NEU-DET与GC10-DET上的结果表明，该算法的平均精度均值（mAP@IoU=50）为80.7%和66.9%，相比于基准模型分别提升了3.8和2.0个百分点，有效提高了带钢表面缺陷的检测精度。

来源：2026年第4期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第4期