YOLO-CFAEW：一种基于YOLOv8的检测网络，采用了CBAM注意力机制、RFAConv模块以及多头结构，用于发动机铸件缺陷的检测

《JOURNAL OF INTELLIGENT MANUFACTURING》：YOLO-CFAEW: A YOLOv8-based detection network with CBAM attention, RFAConv module, and multi-head structure for engine casting defect detection

汽车发动机铸件表面微小缺陷检测需高效精准，本研究提出改进YOLOv8模型YOLO-CFAEW，集成CBAM增强特征提取，RFAConv动态调整感受野，优化多尺度检测头结构，并采用Wasserstein距离损失函数提升定位精度。实验表明模型在扩展数据集上mAP@0.5提升17.3%，mAP@0.5:0.95提升9.7%，有效降低漏检和误检率，为汽车制造提供实用解决方案。

　　

摘要

汽车发动机缸体表面的铸造缺陷会直接影响发动机的性能和使用寿命，因此快速准确地检测这些微小缺陷对于提升汽车制造质量至关重要。为了克服传统检测方法的局限性（如效率低下、严重依赖人工检查以及频繁出现漏检或误检），本研究提出了一种基于YOLOv8的改进型自动检测方法，用于检测发动机缸体表面的微小缺陷，该方法称为YOLO-CFAEW。该模型融合了几项关键创新：在YOLOv8框架中引入了卷积注意力模块（CBAM），以增强空间和通道维度上的特征提取；设计了感受场注意力卷积（RFAConv）模块，该模块能够动态调整感受场范围，从而更好地捕捉细微的缺陷特征；此外，还采用了改进的多头检测结构，以优化不同尺度缺陷的检测效果，显著提高了对微小缺陷的检测精度。同时，使用了一种新颖的Wasserstein距离损失函数来优化边界框回归过程，提高了小缺陷的定位稳定性和准确性。为了在检测精度和推理速度之间取得平衡，YOLOv8中的传统耦合检测头被替换为与轻量级GiraffeDet网络结构相结合的解耦检测头。实验结果表明，与原始YOLOv8模型相比，YOLO-CFAEW模型在扩展的发动机缸体缺陷数据集上表现出色，mAP@0.5提高了17.3%，mAP@0.5:0.95提高了9.7%。该方法能够有效识别微小缺陷（如气孔），误检率和漏检率较低，为实际工业应用提供了一种高效、准确且实用的解决方案，具有显著提升汽车制造质量的潜力。