摘要:针对轴承表面缺陷检测中存在的检测精度不足和模型效率不高等问题,提出一种改进YOLOv11n的缺陷检测模型GSP-YOLOv11n。首先,引入级联组注意力机制CGA,增强多头自注意力的上下文建模能力,提高对复杂纹理缺陷的感知精度。其次,引入Slim-Neck轻量化特征融合结构,在保证多尺度特征有效传递的同时,显著降低了计算复杂度。最后,引入了一种分裂式空间压缩卷积结构SPConv,通过压缩冗余特征图,不仅有效减少了模型的计算量,同时减少了参数规模,从而整体提升了模型的计算效率与轻量化程度。通过在自建轴承缺陷数据集上进行实验,GSP-YOLOv11n在mAP@0.5和mAP@0.5:0.95方面相比原YOLOv11n模型分别提高了2.9%、2.0%,且相比于原YOLOv11n模型参数量减少约9.7%,计算量降低了1.2G。该模型在轴承缺陷检测任务中具有较好的性能,尤其对小目标和复杂形状的缺陷检测具有显著优势。