YOLO系列助力涨点！新SOTA让缺陷检测更准更快！附开源数据集下载

缺陷检测在工业自动化、质量控制、安全检测等多个实际应用中都有着广泛的需求。因此这个方向是相对容易发表高质量论文的，尤其是当研究涉及到创新的算法、改进的技术、新的应用场景或显著提高检测性能时。

在这其中，YOLO系列算法与缺陷检测的结合已经取得了一定的成果，例如基于YOLOv5的算法已经在NEU表面缺陷数据集上实现了钢材表面缺陷检测的应用。而其他有关缺陷检测的改进方案也有很多值得借鉴。

我从中挑选了18篇最新的会议论文来和同学们分享，创新点都给你们分析好了，还整理了20个工业表面缺陷检测常用的数据集，更多更详细的建议看原文。

论文原文和数据集看文末

1.Enhanced YOLOv8 with BiFPN-SimAM for Precise Defect Detection in Miniature Capacitors

方法：本文介绍了一种改进的YOLOv8模型算法，旨在提高工业生产中微型电容缺陷的检测准确性。该算法通过引入简化的注意力模块（SimAM）和双向特征金字塔网络（BiFPN）结构，显著增强了模型识别细微缺陷的能力。同时，将传统的CIoU损失函数替换为WISE-IOU损失函数，进一步提高了模型的泛化能力。

创新点：

引入了增强的YOLOv8模型算法，专门设计用于提高检测微小电容缺陷的准确性。该模型在检测微小和微妙的缺陷方面表现出色，尤其是在边缘异常或轮廓不清晰的缺陷等具有挑战性的场景中。
替换了传统的CIoU损失函数为Wise-IoU损失函数，成功减少了模型训练过程中异常样本的负面影响。这提高了模型的泛化能力，从而在整体上增强了检测性能。

2.CCG-YOLOv7: A Wood Defect Detection Model for Small Targets Using Improved YOLOv7

方法：这篇论文研究了一种用于木地板缺陷检测的新模型CCG-YOLO，并进行了一系列实验来验证其性能。研究背景是木地板生产中的缺陷检测问题。研究采用了YOLOv7网络作为基线，并引入了RSAM、mini-head和C-ELAN等模块来提升网络性能。

创新点：

C-ELAN layer: 提出了Center Efficient Layer Aggregation Networks (C-ELAN)层，通过增强YOLOv7网络中的Enhanced Local Attention (ELAN)层的深度，提高了小目标缺陷的检测准确性。
Mini-Head结构: 改进并简化了YOLOv7原始的head模块，将输出仅包含40×40和80×80，命名为Mini-Head。Mini-Head结构与RSAM中的特征协同工作，专注于小物体的检测，包括死节、活节、划痕和霉斑。
数据增强技术: 在CCG-YOLOv7网络的训练过程中，采用了复制粘贴小目标的数据增强技术，通过在图像中的不同位置插入小目标来创建新的标注样本，提高了模型对小缺陷的检测能力。

3.Research on surface defect detection algorithm of pipeline weld based onYOLOv7

方法：本文提出了一种改进的YOLOv7管道焊接表面缺陷检测模型，通过改进网络结构、增加注意机制和优化损失函数来提高检测结果。在改进的模型中，设计了Le-HorBlock模块，并将其引入到主干网络的第四个CBS模块中，通过实现二阶空间交互来保留高阶信息的特征，从而增强了网络在焊接缺陷图像中提取特征的能力。

创新点：

提出了改进的YOLOv7管道焊接表面缺陷检测算法，通过改进网络结构、增加注意机制和优化损失函数，提高了模型的漏检率和准确性。
引入了Le-HorBlock模块和CoordAtt机制，通过实现二阶空间交互和嵌入目标位置信息，提高了网络对焊接缺陷特征的提取能力和检测能力。

4.Efficient Defect Detection of Rotating Goods under the Background of Intelligent Retail

方法：本文介绍了一种用于商品缺陷检测的新型算法，该算法利用自适应子采样和分区内存库。首先，利用Grad-CAM提取深度特征，结合浅层特征，减轻复杂背景对检测准确性的影响。然后，图卷积网络提取旋转不变特征。接下来，采用自适应子采样分区内存库存储非缺陷商品的特征，从而减少内存消耗并提高训练速度。

创新点：

设计了一种CNN+GNN特征提取方法来解决具有丰富信息的零售商品的特征提取问题。
利用Grad-CAM技术减少对待检测商品的复杂环境的影响。
设计了一种自适应子采样内存，用于高效的特征存储，减少存储需求并加快计算速度。

5.PO-YOLOv5: A defect detection model for solenoid connector based on YOLOv5

方法：论文提出了一种改进的目标检测模型，通过增加预测头来提取更多的语义信息，从而提高了模型的检测准确性。此外，研究还探讨了数据集标注的影响，并发现第二种标注方法更准确。这些结果对于目标检测领域的研究和实际应用具有重要意义。

创新点：

添加了一个新的预测头，用于提取更多的语义信息，实验证明改进后的网络有效提高了模型的检测准确性。
在Neck部分引入了额外的预测头，用于检测包含相对位置信息的缺陷。
在自制的电磁阀连接器数据集上评估了改进后的YOLOv5模型的性能。该数据集包括四种检测类别：缺失铜（Mc）、异常线缆（Aw）、倾斜引脚（Ip）和平行引脚（Pp）。
PO-YOLOv5是本文提出的模型，它使用了ODConv模块和添加的预测头。

6.Swin-Transformer -YOLOv5 for lightweight hot-rolled steel strips surface defect detection algorithm

方法：本文提出了基于改进的一阶检测器的Swin-Transformer-YOLOv5模型，通过使用GhostNet实现了模型的轻量化设计和保证的检测准确性。

创新点：

Swin-Transformer-YOLOv5模型：通过使用GhostNet实现了模型的轻量化设计，并保证了检测的准确性。通过引入Swin-Transformer和CoordAttention模块，提高了模型提取缺陷特征的能力，并解决了不同尺度之间差异大和小缺陷检测不准确的问题。通过使用BiFPN进行特征融合，提高了检测器适应不同尺度目标的能力。
Swin Transformer：通过引入局部思想和分层结构，解决了Vision Transformer在图像多层级表示和计算复杂度方面的问题。

7.Steel Strip Surface Defect Detection Method Based on Improved YOLOv5s

方法：本文提出了改进的YOLOv5s-FPD模型作为YOLOv5模型的改进。YOLOv5s-FPD通过调整SPPF（空间金字塔池化融合）的结构，更加注重带钢的全局和细节特征，从而更好地识别缺陷特征。此外，YOLOv5s-FPD通过构建CSBL（通道和空间瓶颈层）多尺度特征模块，平衡了检测准确性和速度，减小了模型大小并加快了处理速度。

创新点：

提出的YOLOv5s-FPD模型表现出显著的优越性。在数据增强前，准确率提高了2.6%，在数据增强后提高了1.8%。它在数据集中对所有六种缺陷的识别准确率达到了顶级水平。
通过提出SPPF_A细粒度目标检测框架，本研究加强了空间金字塔中小目标的权重。这解决了小目标和密集目标检测不准确的问题，最终提高了模型在图片特征缺陷检测中的准确性。
本研究构建了CSBL多尺度特征模块，将空间金字塔模式与简单可分离卷积2SConv相结合。这减少了卷积参数的数量，同时保持了卷积的有效性。

8.GBCD-YOLO: A High-Precision and Real-Time Lightweight Model for Wood Defect Detection

方法：本文提出了一种基于YOLO（GBCD-YOLO）模型的高精度、轻量级、实时的木材表面缺陷检测方法。首先，引入了轻量级的Ghost Bottleneck来提高深度神经网络的计算效率和推理速度。其次，在neck部分引入了BiFormer来提高自然语言处理任务的性能，提取更多的空间特征信息，进一步提高检测精度。同时，使用CARAFE作为上采样替代方法，增强感知和细节捕捉能力。此外，为了增强方法的灵活性和泛化能力，引入了动态头部，并使用CIoU代替GIoU。

创新点：

引入Ghost Bottleneck技术来优化神经网络架构
通过引入幽灵卷积层和瓶颈结构来减少模型的复杂性，降低计算和内存消耗，同时保持性能
将BiFormer引入到neck中，以提高自然语言处理任务的性能
BiFormer是一种新的通用视觉转换器，采用四级金字塔结构
使用特征重组进行上采样，通过在特征图输入中的相应邻近像素和上采样核之间进行点积运算
CARAFE上采样操作可以通过输入特征图和更大的感受野来引导重组过程，从而提高感知和捕捉细节的能力

9.AnomalySeg: Deep Learning-Based Fast Anomaly Segmentation Approach for Surface Defect Detection

方法：研究提出了一种基于快速异常分割的表面缺陷检测技术，用于解决产品表面上的小缺陷问题。该模型基于改进的U-Net架构构建，通过在编码器中去除下采样层，仅保留第一层下采样层，并在解码器中引入了一个混合残差模块(SAFM)，该模块结合了改进的空间注意机制和前馈神经网络，用于提取缺陷的特征。模块中的空间注意机制优于通道注意机制，可以快速准确地定位缺陷信息。

创新点：

提出了一种基于快速分割的表面缺陷检测技术，该技术采用了改进的U-Net模型，并引入了混合残差模块（SAFM）和扩张卷积，以提高模型的性能和准确性。
引入了改进的混合损失函数，结合Dice和focal loss，以解决小缺陷分割问题，并在KolektorSDD、KolektorSDD2和RSDD数据集上进行了比较实验，证明了该方法的优越性。