Mikrofaserleder ist ein neues Verbundmaterial für hochwertige Produkte, und die Erkennung von Mängeln ist entscheidend für die Produktqualität. Um die Herausforderungen von mehrskaligen Oberflächenmängeln bei Mikrofaserleder, den starken Unterschieden im Seitenverhältnis und zahlreichen kleinen Mängeln zu bewältigen, wurde der MFL_YOLOv8-Algorithmus zur Erkennung von Oberflächenmängeln bei Mikrofaserleder vorgeschlagen. Der MFL_YOLOv8-Algorithmus entwarf zunächst auf Basis des Deformable Large Kernel Attention (DLKA) Mechanismus das multiskalige Merkmalsextraktionsmodul DCNv3-LKA, welches die multiskalige Merkmalsextraktionsfähigkeit des Backbone-Netzes deutlich verstärkt; anschließend wurde durch die Einführung der P2-Merkmalskarte und des Dysample-Upsampling-Moduls im Feature-Pyramiden-Netzwerk die Detailerfassung kleiner Objekte verbessert; schließlich wurde das Minimum Points Distance Intersection over Union (MPDIoU) eingeführt, um das Problem des Funktionsausfalls bei kleinen Objekten zu Beginn des Trainings zu mildern und die Detektion kleiner Objekte zu verbessern. Die experimentellen Ergebnisse auf einem selbst erstellten Datensatz zur Oberflächenmängelerkennung von Mikrofaserleder zeigten, dass der vorgeschlagene Algorithmus im Vergleich zu YOLOv8n die durchschnittliche Detektionsgenauigkeit und die Recall-Rate um 5,38 % bzw. 7,27 % verbessert hat und Werte von 92,47 % bzw. 92,40 % erreichte, bei einer Bildrate von 135,2 fps, was die Anforderungen an Genauigkeit und Echtzeit im industriellen Umfeld erfüllt.

Mikrofaserleder;Mängelerkennung;DCNv3-LKA;MPDIoU