基于改进YOLOv8n的核电厂蒸汽发生器内表面缺陷智能检测方法

施建辉; 陆晟程; 丁清越; 许星星; 江小勇

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于改进YOLOv8n的核电厂蒸汽发生器内表面缺陷智能检测方法

研究与开发 | 更新时间：2025-11-23

- 基于改进YOLOv8n的核电厂蒸汽发生器内表面缺陷智能检测方法
- 基于改进YOLOv8n的核电厂蒸汽发生器内表面缺陷智能检测方法
- 电力安全技术 2025年27卷第6期页码：35-40
- 作者机构：
  
  1. 阳江核电有限公司
  2. 中广核检测技术有限公司
- 作者简介：
- 基金信息：
- DOI：
  中图分类号： TM623;TP391.41
- 纸质出版：2025
- 稿件说明：
移动端阅览
施建辉, 陆晟程, 丁清越, 等. 基于改进YOLOv8n的核电厂蒸汽发生器内表面缺陷智能检测方法[J]. 电力安全技术, 2025,27(6):35-40.

施建辉, 陆晟程, 丁清越, et al. 基于改进YOLOv8n的核电厂蒸汽发生器内表面缺陷智能检测方法[J]. 2025, 27(6): 35-40.
施建辉, 陆晟程, 丁清越, 等. 基于改进YOLOv8n的核电厂蒸汽发生器内表面缺陷智能检测方法[J]. 电力安全技术, 2025,27(6):35-40. DOI：

施建辉, 陆晟程, 丁清越, et al. 基于改进YOLOv8n的核电厂蒸汽发生器内表面缺陷智能检测方法[J]. 2025, 27(6): 35-40. DOI：

摘要

针对传统检测方法在复杂环境下对核电厂蒸汽发生器内表面缺陷检测准确率和效率不足的问题，提出一种基于改进YOLOv8n的智能检测方法。对YOLOv8n模型从多方面进行优化，包括引入Faststem提高特征提取能力、采用AVSFPN增强多尺度特征融合及应用WIo U损失函数改善目标定位精度。试验结果表明，改进后的模型在精确率P、召回率R、train-m AP50和m AP50-95等指标上均有显著提升，不仅提高了缺陷检测的准确性和鲁棒性，还保持了较高的实时性，为核电厂蒸汽发生器的安全检测提供了有力工具，对保障核电厂运行安全具有重要意义。

Abstract

关键词

Keywords

references

王克涛,陈世锋,陈贵,韦锦,蒙丽雯,陈泉成.基于YOLOv5s的园林球形绿篱检测方法[J].中国农机化学报,2024(08).

徐婷婷,宋亮,卢学鹤,张海东.基于YOLO v7-RA的火龙果品质与成熟度双指标检测方法[J].农业机械学报,2024(07).

Yanshan LI,Jiarong WANG,Kunhua ZHANG,Jiawei YI,Miaomiao WEI,Lirong ZHENG,Weixin XIE.Lightweight Object Detection Networks for UAV Aerial Images Based on YOLO[J].Chinese Journal of Electronics,2024(04).

刘远红,程明皓.Misp-YOLO:加油站场景目标检测[J].吉林大学学报(信息科学版),2024(01).

何铁军,李华恩.基于改进YOLOv5的路面病害检测模型[J].土木工程学报,2024(02).

Zhang Yi-Fan,Ren Weiqiang,Zhang Zhang,Jia Zhen,Wang Liang,Tan Tieniu.Focal and efficient IOU loss for accurate bounding box regression[J].Neurocomputing,2022.

Elhegazy Hosam,Kamal Mariam.Implementing nuclear power plants (NPPs): state of the art, challenges, and opportunities[J].Innovative Infrastructure Solutions,2021.

Li Li,Lin Jian,Wu Nianyuan,Xie Shan,Meng Chao,Zheng Yanan,Wang Xiaonan,Zhao Yingru.Review and outlook on the international renewable energy development[J].Energy and Built Environment,2020.

Anamika Dhillon,Gyanendra K. Verma.Convolutional neural network: a review of models, methodologies and applications to object detection[J].Progress in Artificial Intelligence,2019.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据