摘要:工业场景下的布匹缝头检测在纺织应用领域越来越重要。然而,缝头检测面临着小目标尺寸、可利用特征少、复杂多变的环境因素等挑战,难以保证稳定且实时的检测的效果。针对这一系列问题提出一种基于改进YOLOv8的布匹缝头检测算法YOLOv8-DVB。根据Deformable Convolutional Networks v4的特点优化C2f模块,提出一种多尺寸特征采样的C2f-DCNv4模块,强化网络对不同尺寸特征信息的提取。在颈部网络,采用BiFPN结构作为特征融合的方式,通过引入自上而下和自下而上的双向通路,使得不同尺度的特征可以在多层次上进行更充分的融合。其次,引入更高效的VoV-GSCSP模块轻量化特征融合网络,帮助颈部网络降低计算量和参数量,减少计算负担。最后,设计一个专门的小目标检测层,优化小目标的特征提取。通过实验对YOLOV8-DVB模型与原模型以及YOLOv5、YOLOv7、和Faster R-CNN等进行比较,验证模型的检测准确率和检测精度。实验结果表明,该方法在自建数据集上获得84.7%的检测准确率,相比于原模型和其他网络模型都有着更高的准确率,能够快速有效的在复杂的工业生产环境中准确的检测到目标类别和位置。