小伙伴们好，我是小嬛。专注于人工智能、计算机视觉、AI大模型领域相关分享研究。【目标检测、图像分类、图像分割、目标跟踪等项目都可做，相关领域论文辅导也可以找我；需要的可联系（备注来意）】

-------正文开始--------

缺陷检测用YOLO，好处在于它能处理很多小问题(小目标or复杂环境)，让缺陷检测更高效，精度也更高。由于这方向最近研究热度空前，我就做了点研究，发现今年YOLO在缺陷检测上的玩法又多了不少。

具体来说，就是与Transformer、多模态数据、小样本学习等前沿技术交叉融合，这也是冲高区的好选择。举个例子：IEEE TIM有篇带钢缺陷检测，提出了SFC-YOLOv8，就属于新架构融合与复杂环境鲁棒性相关创新。

如果你也对此感兴趣，想要快速洞察这方向的最新动态，找准idea，有论文需求的小伙伴

扫码咨询

SFC-YOLOv8: Enhanced Strip Steel Surface Defect Detection Using Spatial-Frequency Domain-Optimized YOLOv8

研究方法：论文针对带钢表面缺陷检测问题，在 YOLOv8 基础上融合空频域混合卷积、全局 - 局部信息增强注意力、频域特征自适应滤波模块，提取空频域混合特征、强化全局局部信息融合并自适应滤除背景噪声，实现带钢表面缺陷的高精度、实时检测。

创新点：

• 设计空频域混合卷积模块，提取空域+频域混合特征，提升模型对低对比度带钢缺陷的灵敏度。

• 在YOLOv8颈部加入全局-局部信息增强注意力模块，融合全局低频与局部高频信息，强化微小缺陷检测能力。

• 提出频域特征自适应滤波模块，动态调整软阈值滤除背景噪声，提升不同光照下的缺陷检测精度。

  

  研究价值：研究针对带钢表面缺陷检测的实际痛点优化YOLOv8得到SFC-YOLOv8，在提升检测精度和鲁棒性的同时保持轻量化与实时性，为工业带钢缺陷智能检测提供了更优算法方案，兼具理论与工程应用价值。

  RAGA-YOLO: Enhancing global structural perception for accurate and efficient surface defect detection

  研究方法：论文提出了一种基于改进YOLOv11的轻量级表面缺陷检测方法RAGA-YOLO，通过引入全局注意力、多尺度特征融合和膨胀卷积等机制，在保持轻量化的同时提升了对跨区域和小尺度缺陷的检测精度

  

  创新点：

• 提出CCFM-PAN-FPN轻量化颈部结构，通过通道对齐和高效下采样大幅减少参数量与计算复杂度。

• 设计C3kDC_FFM模块，结合多尺度膨胀卷积与特征融合机制，增强上下文建模和多尺度特征整合能力。

• 在检测头中引入膨胀卷积层形成Dilated head，扩大感受野以提升对小尺度缺陷的感知能力。

  

  研究价值：研究通过改进YOLOv11提出RAGA-YOLO模型，为工业表面缺陷检测提供了一种轻量、高效且高精度的解决方案，在显著降低计算成本的同时提升了对跨区域和小尺度缺陷的检测能力，具有良好的实际应用价值。

感谢各位观众的观看和支持，祝大家的论文早日accept！！

希望论文一路绿灯的朋友可以找我，我有团队，有资源，有背景，一条龙服务~~~~