StripSurface-YOLO : Un cadre amélioré basé sur Yolov8n pour la détection des défauts de surface sur l'acier laminé dans les environnements industriels

Les récentes avancées dans la fabrication de précision et les technologies d'équipements haut de gamme ont imposé des exigences de plus en plus strictes sur la précision, la performance en temps réel et la conception légère des systèmes de détection de défauts de surface de bandes d'acier en ligne. Pour concilier le compromis persistant entre la précision de détection et l'efficacité d'inférence dans des environnements industriels complexes, cette étude propose StripSurface–YOLO, un cadre de détection de défauts en temps réel novateur construit sur YOLOv8n. L'architecture centrale intègre un module de perception locale efficace à travers les étapes (ResGSCSP), qui combine de manière synergique des convolutions légères GSConv avec une stratégie d'agrégation en une seule fois, réduisant ainsi de manière significative à la fois le nombre de paramètres du modèle et la complexité computationnelle. Pour améliorer davantage la représentation des caractéristiques multi-échelles, cette étude introduit un mécanisme d'attention multi-échelle efficace (EMA) à l'étape de fusion des caractéristiques, permettant au réseau de prêter attention de manière plus efficace aux régions critiques de défauts. De plus, l'échantillonnage par voisinage le plus proche conventionnel est remplacé par DySample, qui produit des cartes de caractéristiques plus profondes et en haute résolution enrichies en contenu sémantique, améliorant à la fois la vitesse d'inférence et la qualité de fusion. Pour accroître la sensibilité aux défauts de petite taille et de faible contraste, le modèle adopte la Focal Loss, ajustant dynamiquement la difficulté des échantillons. Des évaluations approfondies sur le jeu de données NEU-DET montrent que StripSurface–YOLO réduit les FLOPs de 11,6 % et le nombre de paramètres de 7,4 % par rapport à la baseline YOLOv8n, tout en réalisant des améliorations respectives de 1,4 %, 3,1 %, 4,1 % et 3,0 % en précision, rappel, mAP50 et mAP50:95. Dans des conditions défavorables, y compris des variations de contraste, des fluctuations de luminosité et du bruit gaussien, SteelSurface-YOLO surpasse le modèle de référence, offrant des améliorations de 5,0 % en mAP50 et 4,7 % en mAP50:95, attestant de la robustesse de résistance aux interférences du modèle. Ces résultats soulignent le potentiel de StripSurface–YOLO à répondre aux exigences de performance rigoureuses de la détection en temps réel des défauts de surface dans l'industrie de la forge métallique.