基于YOLOv8n-FCW的金属波纹管内壁缺陷检测算法

乔松; 尉宇晖; 赵章焰

doi:10.12404/j.issn.1671-1815.2501163

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (5) :2068-2075 DOI: 10.12404/j.issn.1671-1815.2501163

自动化技术、计算机技术

基于YOLOv8n-FCW的金属波纹管内壁缺陷检测算法

作者信息 +

Metal Bellows Inner Wall Defect Detection Algorithm Based on YOLOv8n-FCW

Author information +

文章历史 +

摘要

针对当前金属波纹管内壁缺陷检测中存在的缺陷检测精度低、实时性差的问题,提出了一种YOLOv8n的改进算法——YOLOv8n-FCW。首先,将YOLOv8n的主干网络替换为更快的轻量化网络(faster neural networks,FasterNet),保证了检测精度和计算效率的平衡;其次,使用加入通道注意力机制SeLayerV2(squeeze-and-excitation layer V2),部分卷积(partial convolution,PConv)和逐点卷积(pointwise convolution,PWConv)的C2F_S模块,增强了网络的全局特征学习能力并进一步提升了特征表示的精细度和全局信息的整合效果;最后,采用结合权重与尺度缩放的损失函数WIoU_Scale(weighted IoU_Scale),加速了网络的收敛速度并提高锚框的精准度。实验结果表明,相较于YOLOv8n模型,YOLOv8n-FCW在mAP50、mAP50-95、F₁-Score精度指标上分别提升了4.7%、3.8%和4.1%,模型参数量为7.3 M,计算量为11.2GFLOPs。相较于其他目标检测算法,YOLOv8n-FCW有更高的精度与参数效率,能够满足金属波纹管内壁缺陷检测需求。

Abstract

To address the issues of low defect detection accuracy and poor real-time performance in the internal inspection of metal bellows, an improved algorithm based on YOLOv8n, named YOLOv8n-FCW, was proposed. First, the backbone network of YOLOv8n was replaced with the faster and more lightweight faster neural networks (FasterNet), ensuring a balance between detection accuracy and computational efficiency. Second, a C2F_S module, incorporating the channel attention mechanism squeeze-and-excitation layer V2(SeLayerV2), partial convolution (PConv), and pointwise convolution (PWConv), was utilized to enhance the network capability for global feature learning, thereby improving the precision of feature representation and the integration of global information. Finally, a loss function named weighted IoU_Scale (WIoU_Scale), which combines weighting and scale adjustment, was adopted to accelerate the convergence speed and improve the accuracy of anchor box predictions. Experimental results demonstrate that, compared to the original YOLOv8n model, YOLOv8n-FCW achieves improvements of 4.7%, 3.8%, and 4.1% in mAP50, mAP50-95, and F1-Score, respectively. The model contains 7.3 million parameters and requires 11.2 GFLOPs of computation. Compared with other object detection algorithms, YOLOv8n-FCW exhibits higher accuracy and parameter efficiency, effectively meeting the requirements for internal defect detection in metal bellows.

Graphical abstract

关键词

缺陷检测 / YOLOv8n / FasterNet / SelayerV2 / WIoU_Scale

Key words

defect detection / YOLOv8n / FasterNet / SelayerV2 / WIoU_Scale

引用本文

引用格式 ▾

乔松, 尉宇晖, 赵章焰. 基于YOLOv8n-FCW的金属波纹管内壁缺陷检测算法[J]. 科学技术与工程, 2026, 26(5): 2068-2075 DOI:10.12404/j.issn.1671-1815.2501163

QIAO Song, YU Yu-hui, ZHAO Zhang-yan. Metal Bellows Inner Wall Defect Detection Algorithm Based on YOLOv8n-FCW[J]. Science Technology and Engineering, 2026, 26(5): 2068-2075 DOI:10.12404/j.issn.1671-1815.2501163

登录浏览全文

4963

注册一个新账户忘记密码

桥梁预应力金属波纹管是现代桥梁加固与维护的重要组成部分,由于长期使用和环境影响可能导致其出现破损和变形等缺陷,影响其承载能力和保护功能,威胁桥梁结构安全。

当前的检测方法中,如蒋秀敏^[1]使用电磁超声波检测、李会等^[2]基于X射线检测、神祥凯等^[3]利用漏磁信号检测等,虽然能够发现一些表面或近表面的缺陷,但对于复杂形状的波纹管内部微小缺陷及深层问题的检测仍面临诸多挑战。所以,开发高效、精确的内部缺陷检测技术,尤其是结合新型传感器和智能分析方法的检测手段,已成为当前桥梁健康监测领域的研究热点。

近年来,深度学习技术在工业缺陷检测领域取得了突破性进展。以卷积神经网络(convolutional neural network,CNN)为代表的基础架构,结合U-Net、YOLO(you only look once)等先进算法,已成功应用于各类工业产品的缺陷检测任务,这些深度学习算法大幅度提高了检测效率并且适用于多种复杂环境,逐渐成为研究的热点并受到广泛青睐。周晖等^[4]基于YOLOv8网络引入骨干网络VanillaNet、C2FGhost模块和CARAFE上采样算子,结合WioU损失函数实现了目标的轻量化检测;张迪等^[5]通过引入ContextGuided模块和更为高效的DySample对YOLOv8网络模型进行改进,完成了对单晶硅生产过程中产生的缺陷的精准检测;王俊岭等^[6]先使用Focal-EIoU和CA注意力机制,再优化双向特征金字塔网络,通过增大模型参数的方法提升检测精度。上述情况说明,使用深度学习技术对管道缺陷进行检测能够得到精确的结果,然而,如何平衡识别精度和模型的参数量,仍然是一个困难。

金属波纹管检测面临环境恶劣、波纹管结构复杂、检测空间有限等挑战。此外,金属波纹管检测还需要开发高精度的无损检测技术,能够实施动态监测,自动化与智能化检测;对于检测空间有限的情况,亟需开发微型智能检测设备。

针对背景复杂、图片识别精度低、模型参数量大等困难,现提出一种基于YOLOv8的改进算法YOLOv8n-FCW。首先,使用更快的轻量化网络(faster neural networks,FasterNet)^[7]替代原 YOLOv8n的主干网络,提高检测效率,然后使用包含通道注意力机制SelayerV2(squeeze-and-excitation layer V2)、部分卷积(partial convolution,PConv)和逐点卷积(pointwise convolution,PWConv)的C2F_S模块代替原本的C2F模块,增强多通道信息的提取融合能力以提高检测精度,最后使用结合权重与尺度缩放的损失函数WIoU_Scale(weighted IoU_Scale),动态调整权重,提高锚框的精度。

1 算法模型

为了优化金属波纹管缺陷检测性能,基于YOLOv8n模型提出了一种改进的YOLOv8n-FCW模型。该模型的网络结构如图1所示。YOLOv8n-FCW模型将原YOLOv8n基于C2F模块的主干网络换成了FasterNet网络,提升推理速度、节省计算资源。其次,将C2F模块替换为C2F_S模块,提升模型的特征选择和信息传递效率,提高计算速度,增强模型的特征融合能力。最后,使用WIoU_Scale作为损失函数,根据需求动态调整权重,避免劣质目标对评估结果产生过大影响。

1.1 FasterNet主干网络

YOLOv8n最初使用DarkNet-53作为主干网络,该网络凭借其深度残差结构,具备出色的特征提取能力,能够有效捕捉图像中的复杂模式,保持较高的检测精度,但DarkNet-53在计算量上较为复杂,推理速度较慢、内存消耗过高。此外,DarkNet-53难以有效提取多尺度通道的特征,容易造成检测速度慢、精度低的问题。为了解决这些问题,使用FasterNet网络替换DarkNet-53作为主干网络,减少了计算冗余和内存访问,高效地融合利用各通道的特征信息。其结构如图2所示。

FasterNet包含4个阶段,每个阶段前面有一个嵌入层(stride=4的普通卷积)或下采样层(stride=2的普通卷积),用于下采样或增加通道数。每个阶段包括若干FasterNet模块。因为后两个阶段的模块内存访问较少、FLOPs(浮点运算量)更大,因此将更多的计算放置在后两个阶段中。

每个模块由以下几个部分组成:

PConv层:只在部分输入通道上进行常规卷积,其余部分保持不变。PConv的FLOPs计算公式为

(1)FLOPs=hwk²

${c}_{\mathrm{p}}^{2}$

当PConv只在输入通道的25%上应用常规Conv进行空间特征提取时,PConv的FLOPs只有常规Conv的1/16。

两个PWConv层(或1×1卷积):进行逐点卷积,增强网络的特征表达。

为了提升网络的性能,FasterNet仅在每个中间PWConv之间添加归一化层,避免了过度使用归一化层。相较于传统网络,这一设计避免了过多的特征损失,并加快了计算。最后的三层分别为全局平均池化层:压缩特征图的空间维度。1×1卷积层:转换通道,处理特征。全连接层:用于特征转换和分类输出。FasterNet的设计在注重高效计算的同时,通过合理的卷积层设计、归一化层的精简使用以及合理的激活函数选择,实现了较高的推理速度和较低的延迟,适用于要求计算资源有限但仍需高效性能的任务。

1.2 C2F_S模块

C2F模块通过将不同瓶颈卷积层Bottleneck模块的输出与原始特征图拼接,从而更好地聚合多尺度信息。其卷积操作能够有效实现轻量化和精确检测。尽管C2F模块通过跨阶段连接和信息共享提升了特征表达能力,但其仍存在计算复杂度高、内存消耗大、潜在过拟合风险和网络设计复杂等问题。SeLayerV2通过使用多个卷积层,提取不同尺度的特征,从而在不同的感受野范围内捕捉图像的细节信息。加入PConv和两个PWConv可以提取更加复杂的特征并减少计算冗余。

SeLayerV2(squeeze-and-excitation layer V2)^[9]是基于原始SE(squeeze-and-excitation layer)模块^[8]的改进版。SE模块运行步骤为:Squeeze(全局平均池化)压缩空间信息;Excitation(全连接层)通过学习通道权重来调整特征响应。SE模块通过提升重要特征的提取能力来提高模型性能。SeLayerV2对SE模块的Excitation部分进行了关键优化,加入非线性激活函数,并优化结构,提升了计算效率和表达能力,结构如图3所示。

SE模块的工作原理如下:首先,输入特征图X通过传统卷积操作生成特征图U;随后,对U执行Squeeze操作,利用全局平均池化将H×W×C维度的特征图压缩为1×1×C的通道描述符;接着,通过全连接层(FC)对压缩后的特征进行通道权重预测得到对应的权重;最后,使用加权操作进行逐通道级相乘,实现特征重标定。而SeLayerV2则在SE模块的基础上进行了改进,采用多分支全连接层结构,即在Squeeze操作后引入并行全连接层进行特征处理,最后同样通过加权操作完成特征融合,从而增强了模块的特征表达能力。

此外,结合文献中的部分卷积PConv和逐点卷积PWConv对C2F的瓶颈卷积层Bottleneck模块进行优化,用一个部分卷积PConv接两个逐点卷积PWConv替代了原有的卷积层。输入特征首先通过PConv进行部分卷积,然后通过两个逐点卷积PWConv进一步处理特征,从而避免了传统卷积操作的计算冗余,实现模型的轻量化。多层卷积堆叠的设计不仅能提取更复杂的特征,还有助于减少梯度消失问题,推动网络训练的加速。这一改进后的C2F模块通过优化网络结构,能更高效地平衡性能与计算开销,特别适用于金属波纹管缺陷检测等任务,克服了特征不明显、背景复杂、计算量大的挑战,结构如图4所示。

针对金属波纹管缺陷检测存在的特征不明显、背景复杂、计算量大的问题,通过对C2F模块的优化,加入SeLayerV2模块增强不同通道的特征提取能力,提升模型性能;替换PConv和两个PWConv实现网络的轻量化,减少计算复杂度。由此,网络能够更好地平衡检测性能和计算复杂度,能够更高效、精准地进行缺陷检测。

1.3 WIoU_Scale损失函数改进

YOLOv8的损失函数用于优化和调整权重,以准确预测目标位置和类别。它由多部分组成,可同时优化分类、定位和检测等任务。其中CIoU损失函数主要优化边界框的位置、宽度和高度,但未考虑目标尺度变化。在多尺度检测中,CIoU会使大物体主导优化过程,忽略小物体精度,对小物体优化效果差。

为了弥补这些缺陷,使用WIoU_Scale损失函数^[10]作为边界框回归损失函数。WIoU_Scale通过尺度自适应加权机制,使小物体在训练中受关注程度与大物体相当,减弱大物体主导作用,增强小物体优化信号,提升其检测精度,使多尺度任务中大小物体优化更均衡,提供稳定优化信号。它对长宽比变化大的目标有更强鲁棒性,能适应不同形状目标。WIoU_Scale用离群度衡量锚框和真实框匹配程度,不直接依赖重叠区域大小,考虑空间分布偏差,提升模型定位能力。其计算公式为

(2)WIoU_Scale=$\frac{\stackrel{N}{\sum _{i=1}}{w}_{i}\mathrm{I}\mathrm{o}{\mathrm{U}}_{i}}{\stackrel{N}{\sum _{i=1}}{w}_{i}}$

式(2)中:IoU_i为第i个预测框与真实框的IoU值;w_i为第i个预测框的尺度权重,通常与目标框的尺度相关;N为参与计算的预测框数量。

2 实验验证

2.1 实验设备

实验采用的电脑操作系统为Windows10,深度学习框架采用Pytorch2.0.1,处理器为Intel i5-12400F,显卡为RTX3060,显存 12 GB,运行内存16 GB,Python版本为3.9,CUDA版本为12.6。在进行数据集训练时,最大训练轮数为 100、图像尺寸为640×640、批量大小为40,学习率衰减倍数为0.01,初始学习率设置为0.01,优化器由YOLOv8自动选择。

2.2 数据集

金属波纹管内部缺陷检测没有公开数据集,因此,拍摄了600 张真实金属波纹管内部缺陷图像作为数据集。使用LabelImg工具对缺陷图像进行标注,将金属波纹管内部缺陷分为破损、凹陷、障碍物3个常见类别。这600 张图像共有1 449个缺陷实例,包括破损(ps)462 个,凹陷(ax)534 个,障碍物(za)453 个。最后将这600 张数据集按照7∶2∶1的比例随机分配为训练集、验证集和测试集。

使用长1 m的DN90金属波纹管作为数据集采集对象,在波纹管上制作若干对应的缺陷,使用高精度内窥镜采集数据集,如图5所示,左侧为拍摄数据集的场景,右侧为电脑上显示的照片。

2.3 评价指标

为了检验改进的YOLOv8n-FCW模型对金属波纹管内部缺陷的检测效果,采用3种评价指标:mAP、Parameters、F₁-Score。mAP0.5表示将交并比(IoU)设为0.5时,计算每一个类别下所有图片的平均精度(AP),即mAP;mAP0.5-0.95表示当IoU阈值在0.5~0.95逐步增加时的平均精度。

mAP:在所有类别上计算的AP的平均值。AP是指单个类别的预测准确率的平均值。

(3)AP=${\int }_{0}^{1}\mathrm{ }$P(r)dr×100%

(4)mAP=$\frac{1}{n}\stackrel{n}{\sum _{i=1}}$AP_i×100%

式中:AP为P-R曲线面积;n为类别总数;AP_i是第i个类别的AP。

Parameters(Params):模型的参数量,用于衡量模型的复杂度,值越小,模型越轻量。

F₁-Score: 为查准率和召回率的调和平均数,用于测评模型精确度。

(5)F₁=$\frac{2\mathrm{T}\mathrm{P}}{2\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}+\mathrm{F}\mathrm{P}}$×100%

式(5)中:TP为将真正例预测为正例的像素个数;FP为将真反例预测为正例的像素个数;FN为将真正例预测为反例的像素个数。

2.4 对比试验

2.4.1 FasterNet主干网络对比试验

为了证明FasterNet主干网络对金属波纹管缺陷检测的有效性,再将YOLOv8n的主干网络分别替换为ShuffleNetV2、EfficientViT和MobileNetv3这3种网络模型,并与FasterNet 网络的结果进行对比,实验结果如表1所示。

由表1可知,在以上5组实验中,在替换了不同的主干网络后,EfficientViT、MobileNetv3和ShuffleNetV2网络的检测精度都有不同程度的下降,而替换FasterNet网络后,模型的F₁-Score提升了2.2%,mAP0.5、mAP0.5-0.95分别提升了3%和3.5%。因此,选择FasterNet网络在模型检测精度上具备显著优势。

2.4.2 C2F_S模块对比试验

为了验证C2F_S模块的有效性,在使用的数据集上分别和C2F(基线模型)、加入高效的多尺度注意力机制(efficient multi-scale attention,EMA)的C2F_EMA、加入分布偏移卷积(distribution shifting convolution 2D,DSConv2D)的C2F_DSConv2D、加入全局注意力机制(global attention mechanism,GAM)的C2F_GAM及加入坐标注意力机制(coordinate attention,CA)的C2F_CA进行对比,实验结果如表2所示。

由表2可知,在以上6组实验中,将不同的注意力机制或着卷积加入C2F模块后,mAP均得到一定程度的提升。但C2F_S的mAP0.5、 mAP0.5-0.95最高,分别为91%和50.1%,与C2F模块相比,模型参数量也减小了0.9M。因此,综合这几组模型的优缺点,选择C2F_S模型可以更好地兼顾检测速度和精度。

2.4.3 WIoU_Scale对比试验

为了验证WIoU_Scale的有效性,将YOLOv8n原本的CIoU(complete intersection over union)分别替换为DIoU(distance intersection over union)、GIoU(generalized intersection over union)和SIoU(soft intersection over union),并与WIoU_Scale进行对比,实验结果如表3所示。

由表3可知,替换不同的损失函数不会改变模型的参数量大小,但是使用WIoU_Scale损失函数模型的mAP0.5增长最大,为1.9%,由此可以看出采用WIoU_Scale损失函数的模型能够提升模型检测精度。因此,采用WIoU_Scale作为损失函数能够更准确地定位缺陷的位置。

2.4.4 不同算法的对比实验

为了进一步验证本文改进模型的性能,将本文模型与包括YOLOv5n、YOLOv6n、YOLOv8n、YOLOv9t、YOLOv10n和YOLOv11n在内的其他目标检测算法^[11-25]进行对比,实验结果如表4所示,部分可视化图像对比如图6所示。

由上述对比结果可知,YOLOv8n-FCW算法模型的mAP0.5和mAP0.5-0.95分别是93%和53%,精确度明显优于其他几种网络。YOLOv9t的模型参数量最小,仅4.2M,但它的mAP0.5和mAP0.5-0.95分别是88.7%和49.5%,远远低于YOLOv8n-FCW算法模型的检测精度。虽然其余几种检测算法的模型参数略小于YOLOv8n-FCW算法模型,但其检测精度也比本文模型低,实用性不高。因此,对比实验结果表明,YOLOv8n-FCW算法在保证高精度的同时能够降低模型参数量,具有很高的实用性。

2.5 消融试验

为验证所提出的YOLOv8n-FCW模型中的各个改进方向对模型都有正向提升,设计了消融实验。结果如表5所示。

由表5可知,本文改进的YOLOv8n-FCW模型每一个改进方向都对模型有着正向提升。与基础的YOLOv8n模型相比,替换FasterNet主干网络后,模型的F₁-Score提升了2.2%,mAP0.5提升了3%,mAP0.5-0.95提升了3.5%;在使用了WIoU_Scale损失函数后,模型的F₁-Score提升了2.3%,mAP0.5提升了1.9%,mAP0.5-0.95提升了1.9%;替换C2F_S模块后,模型的F₁-Score提升了1.9%,mAP0.5提升了2.7%,mAP0.5-0.95提升了0.9%,模型大小下降了0.9M;在同时替换了FasterNet主干网络和C2F_S模块后,模型的F₁-Score提升了4.1%,mAP0.5提升了3.4%,mAP0.5-0.95提升了3.2%;最终,综合以上的改进方法,使用YOLOv8n-FCW模型的F₁-Score提升了4.2%,mAP0.5提升了4.7%,mAP0.5-0.95提升了3.8%,模型参数Params也仅有7.3M,在有效保证模型大小的同时提高了检测精度,证明了各个改进方法的有效性。

3 结论

针对桥梁预应力金属波纹管内壁缺陷检测问题,提出的YOLOv8n-FCW模型检测算法提升了模型检测的精度,使用FasterNet主干网络替换原本的网络结构,改进的C2F_S模块在保证检测精度的同时可以降低模型大小,使用WIoU_Scale损失函数提高模型定位目标的能力。实验结果表明,YOLOv8n-FCW模型的F₁-Score达到了88.4%,mAP0.5为93%,mAP0.5-0.95为53%,与YOLOv8n相比有明显的提升,模型参数Params仅有7.3 M。相较于其他目标检测算法,YOLOv8n-FCW模型在保证高精度的同时能够降低模型参数量,可以很好地兼顾检测精度和轻量化的平衡,能更好地部署到移动智能设备。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	蒋秀敏. 基于导波模态分析的电磁超声管道缺陷检测技术研究[D]. 天津: 天津科技大学, 2023.

[2]	Jiang Xiumin. Research on electromagnetic ultrasonic pipeline defect detection technology based on guided wave mode analysis[D]. Tianjin: Tianjin University of Science and Technology, 2023.

[3]	李会, 李德源, 闫学文, 等. 石油管线管道壁缺陷检测的X射线背散射技术模拟[J]. 科技创新与应用, 2020(24): 138-140.

[4]	Li Hui, Li Deyuan, Yan Xuewen, et al. Simulation of X-ray backscatter technology for defect detection in oil pipeline walls[J]. Technology Innovation and Application, 2020(24): 138-140.

[5]	神祥凯, 刘金海. 基于异构扩散模型的输油管道缺陷及组件检测方法[J]. 控制与决策, 2025, 40(3): 937-945.

[6]	Shen Xiangkai, Liu Jinhai. Research on defect and component detection method for oil pipelines based on heterogeneous diffusion model[J]. Control and Decision, 2025, 40(3): 937-945.

[7]	周晖, 杨洁, 赵祥飞. YOLOv8轻量化的果园复杂环境下苹果检测算法[J]. 科学技术与工程, 2025, 25(6): 2274-2283.

[8]	Zhou Hui, Yang Jie, Zhao Xiangfei. Lightweight apple detection algorithm based on YOLOv8 in complex orchard environments[J]. Science Technology and Engineering, 2025, 25(6): 2274-2283.

[9]	张迪, 周安亮, 温猛, 等. 基于改进YOLOv8n的引晶工艺质量缺陷检测[J]. 科学技术与工程, 2025, 25(3): 969-976.

[10]	Zhang Di, Zhou Anliang, Wen Meng, et al. Detection of quality defects in seed crystal growth process based on improved YOLOv8n[J]. Science Technology and Engineering, 2025, 25(3): 969-976.

[11]	王俊岭, 王晨晨, 熊玉华. 基于YOLO V5L-IM的排水管道缺陷检测方法及效果分析[J]. 科学技术与工程, 2024, 24(18): 7833-7842.

[12]	Wang Junling, Wang Chenchen, Xiong Yuhua. Defect detection method for sewer pipelines based on YOLO V5L-IM and effect analysis[J]. Science Technology and Engineering, 2024, 24(18): 7833-7842.

[13]	Chen J, Kao S H, He H, et al. Run, don’t walk: chasing higher flops for faster neural networks[C]// 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Vancouver: IEEE, 2023: 12021-12031.

[14]	Jie H, Li S, Samuel A, et al. Squeeze-and-excitation networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019, 42(8): 2011-2023.

[15]	Narayanan M. SENetV2: aggregated dense layer for channelwise and global representations[J]. ArXiv, 2023: 2311.10807.

[16]	Tong Z, Chen Y, Xu Z, et al. Wise-IoU: bounding box regression loss with dynamic focusing mechanism[J]. ArXiv: 2301.10051, 2023.

[17]	熊伟, 路鑫, 邱维进, 等. 基于YOLOv8的输电线路绝缘子表面缺陷识别算法[J]. 电子测量技术, 2025, 48(2): 178-188.

[18]	Xiong Wei, Lu Xin, Qiu Weijin, et al. Defect detection method for transmission line insulators based on improved YOLOv8 and effect analysis[J]. Electronic Measurement Technology, 2025, 48(2): 178-188.

[19]	Zeng J C, Zheng Y M, Jin X P, et al. Research on improved YOLOV5 pipeline defect detection algorithm[J]. Journal of Pipeline Systems Engineering and Practice, 2025, 16(2): 1-10.

[20]	孙铁强, 刘俊, 宋超, 等. 基于改进YOLOV8N的铝型材表面小目标缺陷检测方法[J]. 现代制造工程, 2024(12): 120-129.

[21]	Sun Tieqiang, Liu Jun, Song Chao, et al. Defect detection method for aluminum profiles surface small targets based on improved YOLOv8n[J]. Modern Manufacturing Engineering, 2024(12): 120-129.

[22]	梁礼明, 陈康泉, 钟奕, 等. DCD-YOLOv8n: 一种高效的钢材表面缺陷检测算法[J]. 计算机工程与应用, 2025, 61(7): 117-127.

[23]	Liang Liming, Chen Kangquan, Zhong Yi, et al. DCD-YOLOv8n: an efficient defect detection algorithm for steel surface[J]. Computer Engineering and Applications, 2025, 61(7): 117-127.

[24]	叶发茂, 张立, 袁燎, 等. DB-YOLO: 特征增强融合的双骨干YOLOV8道路缺陷检测模型[J]. 计算机工程与应用, 2024, 60(24): 260-269.

[25]	Ye Famao, Zhang Li, Yuan Liao, et al. DB-YOLO: a dual backbone YOLOv8 road defect detection model with feature enhancement fusion[J]. Computer Engineering and Applications, 2024, 60(24): 260-269.

[26]	Su C, Hu S, Zhang H, et al. Automatic detection of water supply pipe defects based on underwater image enhancement and improved YOLOx[J]. Journal of Construction Engineering and Management, 2024, 150(10): 14919.

[27]	曾飞, 李斌, 周健, 等. 改进YOLOV7算法的排水管道缺陷检测与几何表征[J]. 现代制造工程, 2024(3): 110-118.

[28]	Zeng Fei, Li Bin, Zhou Jian, et al. Defect detection and geometric characterization of sewer pipelines based on improved YOLOv7 algorithm[J]. Modern Manufacturing Engineering, 2024(3): 110-118.

[29]	周元昊. 多相机金属管道内壁缺陷检测及其三维可视化研究[D]. 成都: 电子科技大学, 2024.

[30]	Zhou Yuanhao. Research on defect detection and 3d visualization of inner walls of metal pipes using multiple cameras[D]. Chengdu: University of Electronic Science and Technology of China, 2024.

[31]	尤伟军, 李聪, 张江雄. 利用YOLOv5机器学习模型识别混凝土排水管道接头缺陷试验研究[J]. 给水排水, 2023, 59(S1): 489-494.

[32]	You Weijun, Li Cong, Zhang Jiangxiong. Experimental study on identifying defects in concrete sewer pipeline joints using YOLOv5 machine learning model[J]. Water & Wastewater Engineering, 2023, 59(S1): 489-494.

[33]	Zhao Q, Wang G. Multi-architecture optimization of pipeline inner wall defect detection algorithm based on YOLOv8[J]. Measurement, 2025, 242: 116305.

[34]	Yang D, Ma C, Yu G, et al. Automatic defect detection of pipelines based on improved OFG-YOLO algorithm[J]. Measurement, 2025, 242: 115847.

[35]	Kun C, Hongtao L, Chunshu L, et al. An automatic defect detection system for petrochemical pipeline based on cycle-GAN and YOLOv5[J]. Sensors, 2022, 22(20): 7907.

[36]	原洪帅, 李琦, 王月明. 基于YOLO-CD的路面裂缝检测[J]. 科学技术与工程, 2025, 25(9): 3888-3895.

[37]	Yuan Hongshuai, Li Qi, Wang Yueming. Pavement crack detection based on YOLO-CD[J]. Science Technology and Engineering, 2025, 25(9): 3888-3895.

[38]	宋京京, 张振利. 基于YOLOv8n的小目标交通标志检测算法[J]. 科学技术与工程, 2024, 24(36): 15548-15557.

[39]	Song Jingjing, Zhang Zhenli. Small object traffic sign detection algorithm based on YOLOv8n[J]. Science Technology and Engineering, 2024, 24(36): 15548-15557.

[40]	孔建国, 张向伟, 赵志伟, 等. 基于改进YOLOv8的机场飞鸟实时目标检测方法[J]. 科学技术与工程, 2024, 24(32): 13944-13952.

[41]	Kong Jianguo, Zhang Xiangwei, Zhao Zhiwei, et al. Real-time bird detection method at airports based on improved YOLOv8[J]. Science Technology and Engineering, 2024, 24(32): 13944-13952.