1. 项目背景与核心价值
在金属货币生产流水线上,传统的人工质检方式存在效率低下、标准不统一等问题。我们团队基于YOLOv11模型开发的这套币面缺陷检测系统,通过引入FeaturePyramidSharedConv模块,实现了对硬币表面划痕、氧化、压印不全等12类常见缺陷的实时检测,同时能准确识别不同面额的硬币类型。实测表明,在产线速度为1200枚/分钟的条件下,系统检测准确率达到99.73%,误检率低于0.02%。
这个项目的技术亮点在于:将传统用于目标检测的YOLO架构,通过特征金字塔共享卷积层的创新设计,适配到了微小缺陷检测场景。相比原版YOLOv11,我们的改进方案在保持35FPS推理速度的同时,对0.3mm²级别缺陷的召回率提升了18.6%。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构解析
2.1 模型选型依据
选择YOLOv11作为基础框架主要基于三点考量:
- 其跨阶段局部网络(CSPNet)结构能有效平衡计算量与特征提取能力
- 自适应训练策略更适合处理缺陷样本分布不均衡的问题
- 内置的模型缩放功能便于后续部署到不同算力设备
我们测试对比了不同版本YOLO的表现(见下表):
| 模型版本 | mAP@0.5 | 推理速度(FPS) | 显存占用(GB) |
|---|---|---|---|
| YOLOv8 | 0.872 | 42 | 2.1 |
| YOLOv10 | 0.891 | 38 | 2.4 |
| YOLOv11 | 0.903 | 35 | 2.3 |
| 本方案 | 0.937 | 35 | 2.5 |
2.2 FeaturePyramidSharedConv设计
传统特征金字塔网络(FPN)存在计算冗余问题,我们在neck部分进行了三项关键改进:
-
共享卷积核设计:
- 对P3-P5三个特征层使用同一组卷积参数
- 通过可变形卷积(DCNv2)适应不同尺度特征
- 节省了23%的计算量
-
跨层特征融合:
python复制class Share
