摘要:为解决钢材表面缺陷检测中面临的缺陷类型繁多、尺寸差异显著以及现有模型复杂度高、检测精度不足等问题，本文提出了一种基于改进YOLOv8n的检测算法YOLOv8ODAW。首先，引入全维动态卷积（ODConv）增强对多维度特征的捕捉能力，减少信息损失；其次，嵌入渐进特征金字塔网络（AFPN）改善特征融合过程，实现了非相邻层级特征间的直接交互，有效缓解语义断层。最后，采用动态非单调聚焦机制的Wise-IoUv3损失函数优化边界框回归，加快网络收敛的同时提高检测精度。在NEU-DET数据集上进行多组实验，结果表明，改进后的YOLOv8-ODAW网络模型相比原网络模型mAP50%提升了7.3%、GFLOPs下降了21.95%，展现出对钢材表面缺陷更佳的定位与识别能力，且检测速度满足工业应用需求。

摘要:针对现有算法对高压塔上鸟巢检测存在参数量过大，实时性不足及对小目标检测能力较弱的问题，提出了一种改进的YOLOv4算法。首先使用Mobilenetv2网络代替CSPDarknet53网络作为主干网络，减少算法的参数量且提升检测速度；同时在Mobilenetv2网络的逆残差网络中嵌入注意力Coordinate Attention模块，增强网络对目标特征提取能力。然后，对PANet网络进行改进，获取更多的细节特征信息，提高对小目标鸟巢的检测能力。最后，使用Focal Loss函数优化损失函数，降低大量简单背景样本训练的权重，提升对小目标鸟巢困难样本训练的侧重，进一步提高对小目标鸟巢的检测能力。实验结果表明，较原始的YOLOv4算法，改进后的YOLOv4算法的参数量减少了48.1%，检测速度和精度分别提高了12.9fps和2.33%。即改进后的YOLOv4算法大幅度减少了算法参数量，且对鸟巢的检测拥有更好的检测性能。