关键词：汽车齿轮;缺陷检测;YOLOv8;注意力机制;检测头;小目标
摘 要：针对目前汽车齿轮齿面缺陷检测过程中，人工检测方法准确率低、检测效率慢的问题，提出了一种基于改进YOLOv8模型的汽车齿轮齿面缺陷检测算法。在YOLOv8主干网络中，引入SPPE架构，并在其中添加DCNv4模块，提升模型对不规则微小缺陷的检测能力；在其颈部网络中，添加BiFormer注意力机制，改善模型对小目标缺陷的检测能力；在其头部使用FASFF＿Head结构作为新的模型检测头，改善对多尺度目标缺陷的检测能力。实验结果表明：改进后的YOLOv8网络模型均值平均精度达85.8%,与原模型相比提高了2.5%,在召回率和准确率上也优于原模型，有效提高了模型的检测精度。与其他深度学习模型相比，改进后的YOLOv8模型在算法的检测精度和效率方面有明显优势，检测时间为51.6 ms,验证了该方法在汽车齿轮检测方面具有一定的有效性和可靠性。
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