Investigación sobre un método de detección mejorado YOLOv8 para defectos superficiales de componentes ópticos

Los componentes ópticos se utilizan extensamente en aeroespacial, equipos microelectrónicos, medición óptica de precisión, óptica láser y otros campos. Los defectos superficiales en los componentes ópticos pueden afectar significativamente el rendimiento del sistema, lo que requiere métodos de detección especializados. Sin embargo, persisten desafíos técnicos para lograr una detección de defectos ópticos con alta resolución, alta precisión y eficiencia. Para abordar esto, proponemos un algoritmo de reconocimiento de objetos mejorado basado en YOLOv8. Al incorporar el mecanismo de atención BRA en la red backbone de YOLOv8, se procesan mapas de características multiescala para mejorar la adaptabilidad a escenarios complejos. Al mismo tiempo, reemplazar el módulo de fusión de características con el módulo Context-GuideFPN permite una guía contextual y ajustes adaptativos durante la integración de características multiescala sin un exceso de carga computacional. Los resultados experimentales en nuestro conjunto de datos de imágenes de campo oscuro microscópicas de alta calidad demuestran que el BACG-YOLOv8 mejorado logra un excelente rendimiento en la detección de defectos en componentes ópticos. La red optimizada extrae con precisión los detalles de los defectos, demostrando particularmente una extracción refinada de características de borde mientras suprime eficazmente la interferencia del ruido. Esto reduce significativamente los errores de detección y mejora la precisión de la extracción de defectos.