融合多尺度注意力的改进YOLOv8模型的索塔病害识别算法研究

王 晖¹，鲁向阳^2*

(1. 江苏省交通技师学院，江苏 镇江 212028; 2. 安徽理工大学，安徽 淮南 232001)

摘　要：　针对索塔表观病害在复杂背景下特征尺度差异大、密集目标干扰因素多导致识别精度不足的问题，提出一种融合多尺度注意力的改进YOLOv8模型的索塔病害识别算法。首先，构建了涵盖施工期典型病害(裂缝、剥落、色差、蜂窝麻面、露筋、流浆)与环境干扰的图像数据集;其次，在YOLOv8模型的基础上，在骨干网络部分添加了多尺度卷积注意模块(masked smooth aggregation mask，MSAM)，在其颈部网络(Neck)中将一种高效的多尺度通道空间注意力模块(efficient multi-scale attention，EMA)与C2f融合，增强了网络对多尺度病害特征的提取能力;然后，将改进的网络命名为YOLOv8-ME。试验结果表明，改进后的YOLOv8模型在自建的索塔病害测试集上的平均精度均值mAP@0.5达到78.0%，相较于原始YOLOv8模型提升了4.2%，对小目标裂缝和纹理复杂的剥落识别效果均有显著改善。

关键词：　索塔; MSAM; EMA; YOLOv8模型; 病害检测

引文格式： 王晖，鲁向阳. 融合多尺度注意力的改进YOLOv8模型的索塔病害识别算法研究[J]. 市政技术，2026，44(3)：137-146. (WANG H，LU X Y. Research on cable tower disease recognition algorithm based on the improved YOLOv8 model integrating multi-scale attention[J]. Journal of municipal technology，2026，44(3)：137-146.)