关键词：MCB-FAH-YOLOv8;缺陷检测;注意力机制;四头ASFF预测头;特征融合
摘 要：针对现有基于深度学习的钢材表面缺陷检测算法存在误检、漏检和检测精度低等问题，提出一种基于改进CBAM(modified CBAM,MCB)和可替换四头ASFF预测头(four-head ASFF prediction head,FAH)的YOLOv8钢材表面缺陷检测算法，简记为MCB-FAH-YOLOv8。通过加入改进后的卷积注意力机制模块(CBAM)对密集目标更好的确定；通过将FPN结构改为BiFPN更加高效的提取上下文信息；通过增加自适应特征融合(ASFF)自动找出最适合的融合特征；通过将SPPF模块替换为精度更高的Sim CSPSPPF模块。同时，针对微小物体检测，提出了四头ASFF预测头，可根据数据集特点进行替换。实验结果表明，MCB-FAH-YOLOv8算法在VOC2007数据集上检测精度(mAP)达到了88.8%，在NEU-DET钢铁缺陷检测数据集上检测精度(mAP)达到了81.8%，较基准模型分别提高了5.1%和3.4%，该算法在牺牲较少检测速度的情况下取得较高的检测精度，很好的平衡了算法的精度和速度。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取