改进YOLOv8n的O型密封圈表面缺陷检测算法研究

针对O型密封圈表面缺陷尺度小且缺陷特征与背景相似性高,存在特征提取困难等问题与工业实时检测的需求,提出一种改进YOLOv8n的YOLO-Oring算法。在卷积计算的基础上,融入线性变化,设计新的CBLGhost模块,减小计算特征图所需的计算资源;针对缺陷与背景相似度高,引入DySample轻量动态上采样模块,使采样点集中在目标区域而忽略背景部分,实现缺陷的有效识别;为提高检测效率,设计C2f-OREPA模块,将复杂的结构重参数转为单卷积层,在保持特征表达能力的同时降低大量训练耗时;为提高算法对小尺度缺陷识别能力,设计DyHead-DCNv3检测头,用于识别多尺度目标,弥补传统标准卷积在长距离建模能力和自适应空间聚合能力上的不足,从而更好地完成检测任务。由于O型密封圈检测数据集缺乏,建立了包括划痕、凹陷、毛刺3类缺陷的1?734张数据集,实验结果表明,YOLO-Oring算法的mAP达到了94.1%,提升了1.3个百分点,FLOPs降低了16%。通过与主流目标检测算法进行比较,结果表明YOLO-Oring算法对O型密封圈表面缺陷有较好的检测性能,更利于工业实时检测。