面向表面缺陷检测的对象检测算法比较分析
计算机视觉与模式识别
2025-10-28 v1 人工智能
摘要
本文比较了六种著名的对象检测算法——YOLOv11、RetinaNet、Fast R-CNN、YOLOv8、RT-DETR 和 DETR——在NEU-DET表面缺陷检测数据集上的性能。该数据集包含表示各种金属表面缺陷的图像，这是工业质量控制中的关键应用。每个模型的性能均根据检测准确率、速度和鲁棒性（涵盖划痕、内嵌物、卷入尺等不同缺陷类型）进行评估。YOLOv11，这一最先进的实时对象检测算法，相较于其他方法表现出优异性能，平均准确率提高了约70%。这一改进归功于YOLOv11增强的特征提取能力及其在单次前向传播中处理整个图像的能力，使其在检测细微表面缺陷方面更快更高效。此外，YOLOv11的架构优化（如改进的锚框生成和更深的卷积层）有助于更精确地定位缺陷。总之，YOLOv11在准确率和速度方面的卓越表现巩固了其在NEU数据集上进行表面缺陷检测的最有效模型地位，显著优于竞争算法。
引用
@article{arxiv.2510.21811,
title = {Comparative Analysis of Object Detection Algorithms for Surface Defect Detection},
author = {Arpan Maity and Tamal Ghosh},
journal= {arXiv preprint arXiv:2510.21811},
year = {2025}
}
备注
14 pages, 8 figures