基于改进YOLOv8的轻量级大幅面瓷砖缺陷检测算法

doi:10.11772/j.issn.1001-9081.2024020198

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (2): 647-654.DOI: 10.11772/j.issn.1001-9081.2024020198

• 多媒体计算与计算机仿真 • 上一篇

基于改进YOLOv8的轻量级大幅面瓷砖缺陷检测算法

余松森(), 林智凡, 薛国鹏, 徐建宇

华南师范大学软件学院，广东佛山 528225

收稿日期:2024-02-28 修回日期:2024-06-08 接受日期:2024-06-17 发布日期:2024-07-19 出版日期:2025-02-10
通讯作者: 余松森
作者简介:林智凡（2001—），男，广东汕尾人，硕士研究生，主要研究方向：计算机视觉
薛国鹏（1999—），男，江西赣州人，硕士研究生，主要研究方向：计算机视觉
徐建宇（2001—），男，江西上饶人，硕士研究生，主要研究方向：计算机视觉。
基金资助:
广东省基础与应用基础研究基金省市联合基金重点项目(2020B1515120089)

Lightweight large-format tile defect detection algorithm based on improved YOLOv8

Songsen YU(), Zhifan LIN, Guopeng XUE, Jianyu XU

School of Software，South China Normal University，Foshan Guangdong 528225，China

Received:2024-02-28 Revised:2024-06-08 Accepted:2024-06-17 Online:2024-07-19 Published:2025-02-10
Contact: Songsen YU
About author:LIN Zhifan， born in 2001， M. S. candidate. His research interests include computer vision.
XUE Guopeng， born in 1999， M. S. candidate. His research interests include computer vision.
XU Jianyu， born in 2001， M. S. candidate. His research interests include computer vision.
Supported by:
Regional Joint Fund for Basic and Applied Basic Research Fund of Guangdong Province （Key Project）(2020B1515120089)

摘要/Abstract

摘要：

针对当前瓷砖缺陷检测主要依靠人工检测导致的主观性强、效率低、劳动强度大等问题，提出一种基于改进YOLOv8的轻量级大幅面瓷砖图像微小缺陷检测算法。首先，对高分辨率大幅面图像进行裁切处理，并在骨干网络中引入HorBlock增强模型的捕捉能力；其次，融入大型可分离内核注意力（LSKA）改进C2f提高模型的检测性能，并通过引入SA（Shuffle Attention）增强模型的特征提取能力；最后，引入全维度动态卷积（ODConv）进一步增强模型对微小缺陷的处理能力。在阿里天池瓷砖瑕疵检测数据集上的实验结果表明：改进后的模型不仅参数量比原始YOLOv8n低，而且mAP@0.5提升了8.2个百分点，F1分数提升了7个百分点。可见，改进后的模型能更精确地识别和处理大幅面瓷砖的微小表面缺陷，且能在保持轻量级的同时，显著提升检测效果。

关键词: 瓷砖缺陷检测, 小目标检测, YOLOv8, 深度学习, 轻量级

Abstract:

In view of the problems of current tile defect detection mainly relying on manual detection， such as strong subjectivity， low efficiency， and high labor intensity， an improved lightweight algorithm for detecting small defects in large-format ceramic tile images based on YOLOv8 was proposed. Firstly， the high-resolution large-format image was cropped， and HorBlock was introduced into the backbone network to enhance model’s capture capability. Secondly， Large Separable Kernel Attention （LSKA） was incorporated to improve C2f for improving the detection performance of the model and model’s feature extraction capability was enhanced by introducing SA （Shuffle Attention）. Finally， Omni-Dimensional Dynamic Convolution （ODConv） was introduced to further enhance model’s capability to handle with small defects. Experimental results on Alibaba Tianchi tile defect detection dataset show that the improved model not only has lower parameters than the original YOLOv8n， but also has an increase of 8.2 percentage points in mAP@0.5 and an increase of 7 percentage points in F1 score compared to the original YOLOv8n. It can be seen that the improved model can identify and process small surface defects of large-format tiles more accurately， and improve the detection effect significantly while maintaining lightweight.

Key words: tile defect detection, small object detection, YOLOv8, deep learning, lightweight

中图分类号:

TP391.41

余松森, 林智凡, 薛国鹏, 徐建宇. 基于改进YOLOv8的轻量级大幅面瓷砖缺陷检测算法[J]. 计算机应用, 2025, 45(2): 647-654.

Songsen YU, Zhifan LIN, Guopeng XUE, Jianyu XU. Lightweight large-format tile defect detection algorithm based on improved YOLOv8[J]. Journal of Computer Applications, 2025, 45(2): 647-654.

图/表 14

参考文献 29

1	HANZAEI S H， AFSHAR A， BARAZANDEH F. Automatic detection and classification of the ceramic tiles’ surface defects［J］. Pattern Recognition， 2017， 66： 174-189.
2	MATIĆ T， ALEKSI I， HOCENSKI Ž， et al. Real-time biscuit tile image segmentation method based on edge detection［J］. ISA Transactions， 2018， 76： 246-254.
3	李军华，权小霞，汪宇玲. 多特征融合的瓷砖表面缺陷检测算法研究［J］. 计算机工程与应用， 2020， 56（15）： 191-198.
	LI J H， QUAN X X， WANG Y L. Research on defect detection algorithm of ceramic tile surface with multi-feature fusion［J］. Computer Engineering and Applications， 2020， 56（15）： 191-198.
4	DONG G， SUN S， WU N， et al. A rapid detection method for the surface defects of mosaic ceramic tiles［J］. Ceramics International， 2022， 48（11）： 15462-15469.
5	HU H， ZHU Z. Sim-YOLOv5s： a method for detecting defects on the end face of lithium battery steel shells［J］. Advanced Engineering Informatics， 2023， 55： No.101824.
6	PARLAK İ E， EMEL E. Deep learning-based detection of aluminum casting defects and their types［J］. Engineering Applications of Artificial Intelligence， 2023， 118： No.105636.
7	USTABAŞ KAYA G. Development of hybrid optical sensor based on deep learning to detect and classify the micro-size defects in printed circuit board［J］. Measurement， 2023， 206： No.112247.
8	REN S， HE K， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2015： 91-99.
9	LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot multibox detector［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9905. Cham： Springer， 2016： 21-37.
10	LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2999-3007.
11	CAO T， SONG K， XU L， et al. Balanced multi-scale target score network for ceramic tile surface defect detection［J］. Measurement， 2024， 224： No.113914.
12	余松森，张明威，杨欢. 改进YOLOv5的瓷砖表面缺陷检测［J］. 计算机系统应用， 2023， 32（8）：151-161.
	YU S S， ZHANG M W， YANG H. Detection of ceramic tile surface defects based on improved YOLOv5［J］. Computer Systems & Applications， 2023， 32（8）： 151-161.
13	CAO Y， PANG D， ZHAO Q， et al. Improved YOLOv8-GD deep learning model for defect detection in electroluminescence images of solar photovoltaic modules［J］. Engineering Applications of Artificial Intelligence， 2024， 131： No.107866.
14	LI H， LI J， WEI H， et al. Slim-neck by GSConv： a better design paradigm of detector architectures for autonomous vehicles［EB/OL］. ［2023-12-19］..
15	TAN M， PANG R， LE Q V. EfficientDet： scalable and efficient object detection［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 10778-10787.
16	CHEN S， LI Y， ZHANG Y， et al. Soft X-ray image recognition and classification of maize seed cracks based on image enhancement and optimized YOLOv8 model［J］. Computers and Electronics in Agriculture， 2024， 216： No.108475.
17	LIU L， LI P， WANG D， et al. A wind turbine damage detection algorithm designed based on YOLOv8［J］. Applied Soft Computing， 2024， 154： No.111364.
18	XIONG C， ZAYED T， MOHAMMED ABDELKADER E. A novel YOLOv8-GAM-Wise-IoU model for automated detection of bridge surface cracks［J］. Construction and Building Materials， 2024， 414： No.135025.
19	RAO Y， ZHAO W， TANG Y， et al. HorNet： efficient high-order spatial interactions with recursive gated convolutions［C］// Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2022： 10353-10366.
20	LAU K W， PO L M， REHMAN Y A UR. Large separable kernel attention： rethinking the large kernel attention design in CNN［J］. Expert Systems with Applications， 2024， 236： No.121352.
21	ZHANG Q L， YANG Y B. SA-Net： shuffle attention for deep convolutional neural networks［C］// Proceedings of the 2021 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway： IEEE， 2021： 2235-2239.
22	LI C， ZHOU A， YAO A. Omni-dimensional dynamic convolution［EB/OL］. ［2023-12-19］..
23	阿里云天池. 瓷砖瑕疵检测数据集［DS/OL］. ［2023-12-15］..
	Tianchi Aliyun. Tile defect detection data set［DS/OL］. ［2023-12- 15］..
24	YANG B， BENDER G， LE Q V， et al. CondConv： conditionally parameterized convolutions for efficient inference［C］// Proceedings of the 33rd International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2019： 1307-1318.
25	CHEN Y， DAI X， LIU M， et al. Dynamic convolution： attention over convolution kernels［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 11027-11036.
26	XU X， JIANG Y， CHEN W， et al. DAMO-YOLO： a report on real-time object detection design［EB/OL］. ［2023-12-19］..
27	WANG C， HE W， NIE Y， et al. Gold-YOLO： efficient object detector via gather-and-distribute mechanism［C］// Proceedings of the 37th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2023： 51094-51112.
28	HOWARD A， SANDLER M， CHU G， et al. Searching for MobileNetV3［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 1314-1324.
29	CHEN H， WANG Y， GUO J， et al. VanillaNet： the power of minimalism in deep learning［C］// Proceedings of the 37th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2023： 7050-7064.

缺陷类别	mAP@0.5	mAP@0.5：0.95
所有	74.5	42.7
边异常（edge）	91.9	59.5
角异常（corner）	94.5	64.0
白色点（white）	53.7	21.2
浅色块（gray）	56.7	27.7
深色点（black）	66.9	29.7
光圈（circle）	83.2	54.2

缺陷类别	mAP@0.5	mAP@0.5：0.95
所有	74.5	42.7
边异常（edge）	91.9	59.5
角异常（corner）	94.5	64.0
白色点（white）	53.7	21.2
浅色块（gray）	56.7	27.7
深色点（black）	66.9	29.7
光圈（circle）	83.2	54.2

模型	mAP@0.5/%	map@0.5：0.95/%	Params/10⁶	GFLOPs	F1/%	FPS
YOLOv8n	74.5	42.7	3.0	8.1	71	435
+HorBLock	79.0	45.1	3.1	9.2	75	286
+HorBLock+LSKA	80.1	45.2	2.8	8.9	76	263
+HorBLock+LSKA+SA	81.9	45.9	2.8	8.9	78	278
+HorBLock+LSKA+SA+ODConv	82.7	46.8	2.8	8.5	78	270

模型	mAP@0.5/%	map@0.5：0.95/%	Params/10⁶	GFLOPs	F1/%	FPS
YOLOv8n	74.5	42.7	3.0	8.1	71	435
+HorBLock	79.0	45.1	3.1	9.2	75	286
+HorBLock+LSKA	80.1	45.2	2.8	8.9	76	263
+HorBLock+LSKA+SA	81.9	45.9	2.8	8.9	78	278
+HorBLock+LSKA+SA+ODConv	82.7	46.8	2.8	8.5	78	270

模型	mAP@0.5/%	map@0.5：0.95/%	Params/10⁶	GFLOPs	F1/%	FPS
YOLOv3-tiny	74.6	42.3	12.1	18.9	71	455
YOLOv5n	76.5	40.4	2.5	7.1	72	455
YOLOv5s	81.5	45.6	9.1	23.8	77	323
YOLOv6n	65.7	36.2	4.2	11.8	64	476
YOLOv7-tiny	39.1	14.0	6.0	13.1	46	161
YOLOv8s	83.5	49.3	11.1	28.4	79	323
YOLOv8-MobileNetV3	72.8	37.5	2.5	5.9	69	417
YOLOv8-VanillaNet	68.0	36.9	2.0	5.9	65	476
DAMO-YOLO-T	79.4	44.7	8.2	17.2	—	182
Gold-YOLOn	69.2	36.9	5.6	12.1	68	370
Tile-YOLO	82.7	46.8	2.8	8.5	78	270

基于改进YOLOv8的轻量级大幅面瓷砖缺陷检测算法

Lightweight large-format tile defect detection algorithm based on improved YOLOv8

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 29

相关文章 15

编辑推荐

Metrics

缺陷类别	YOLOv8n		Tile-YOLO
缺陷类别	mAP@0.5	mAP@0.5：0.95	mAP@0.5	mAP@0.5：0.95
所有	74.5	42.7	82.7	46.8
边异常	91.9	59.5	88.0	54.5
角异常	94.5	64.0	94.7	63.7
白色点	53.7	21.2	75.7	30.4
浅色块	56.7	27.7	68.2	35.1
深色点	66.9	29.7	82.6	38.1
光圈	83.2	54.2	87.1	59.4

[1]	洪梓榕, 包广清. 基于集成学习的雷达自动目标识别综述[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 371-382.
[2]	张众维, 王俊, 刘树东, 王志恒. 多尺度特征融合与加权框融合的遥感图像目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 633-639.
[3]	孟海腾, 赵小乐, 李天瑞. 基于非对称信息蒸馏网络的轻量级图像超分辨重建[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 601-609.
[4]	邓淼磊, 阚雨培, 孙川川, 徐海航, 樊少珺, 周鑫. 基于深度学习的网络入侵检测系统综述[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 453-466.
[5]	何秋润, 胡节, 彭博, 李天源. 基于上下文信息的多尺度特征融合织物疵点检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 640-646.
[6]	张天骐, 谭霜, 沈夕文, 唐娟. 融合注意力机制和多尺度特征的图像水印方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 616-623.
[7]	陈俊颖, 郭士杰, 陈玲玲. 基于解耦注意力与幻影卷积的轻量级人体姿态估计[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 223-233.
[8]	刘赏, 周煜炜, 代娆, 董林芳, 刘猛. 融合注意力和上下文信息的遥感图像小目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 292-300.
[9]	张思齐, 张金俊, 王天一, 秦小林. 基于信号时态逻辑的深度时序事件检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 90-97.
[10]	郑宗生, 杜嘉, 成雨荷, 赵泽骋, 张月维, 王绪龙. 用于红外-可见光图像分类的跨模态双流交替交互网络[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 275-283.
[11]	徐欣然, 张绍兵, 成苗, 张洋, 曾尚. 基于多路层次化混合专家模型的轴承故障诊断方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 59-68.
[12]	梁杰涛, 罗兵, 付兰慧, 常青玲, 李楠楠, 易宁波, 冯其, 何鑫, 邓辅秦. 基于坐标几何采样的点云配准方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 214-222.
[13]	晏燕, 钱星颖, 闫鹏斌, 杨杰. 位置大数据的联邦学习统计预测与差分隐私保护方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 127-135.
[14]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[15]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.