立井刚性罐道作为提升系统的导向装置，是提升系统安全稳定运行的基础，使用过程中容易产生横向移位和变形，一旦出现不平顺，将引起提升系统强烈振动，严重影响提升系统运行安全性。为及时发现立井刚性罐道接头故障，消除提升系统运行隐患，提出了一种改进YOLOv8n的立井刚性罐道接头错位检测算法YOLOv8n-CFW。首先，针对井筒模糊、黑暗、强光及存在复杂背景成像环境，YOLOv8n对立井刚性罐道图像特征提取能力不足的问题，融入CBAM注意力机制模块，该模块将通道注意力机制与空间注意力机制结合，形成一种新的卷积块结构，从而更好地进行特征融合，并且有助于模型更加集中地关注输入图像的重要部分，从而提高模型的识别准确性和泛化能力，克服了YOLOv8n主干网络在模糊、黑暗、强光环境下对局部重要信息特征提取能力不足，泛化能力较差等问题；接着，为轻量化网络，使用Faster＿Block代替Bottleneck，降低C2f模块的计算复杂度，克服了YOLOv8n网络的模型参数量过大部署困难的不足；然后，为抑制低质量图像产生的有害梯度，使用WIoU损失函数代替CIoU，提高锚框预测精度，WIoU v3损失函数，通过动态分配梯度增益，抑制低质量图像产生的有害梯度，克服了YOLOv8n网络定位性能不足，使网络在接头错位检测中更加精确的定位到刚性罐道边缘，从而减小误差，并进一步提高模型识别准确性和泛化能力；最后，在推理过程中设置兴趣区域，进一步抑制背景图像干扰，并采用非定焦测距法计算罐道接头偏移尺寸。实验表明，相较于基础YOLOv8n网络，YOLOv8n-CFW检测网络在立井刚性罐道接头数据集上，精度P提升了1.4%，召回率R提升了8.2%，平均精度mAP由YOLOv8n的83.8%提升为90.3%，提高了6.5%，模型大小减少了1.4MB，相比其他YOLO算法，在立井刚性罐道接头错位检测中YOLOv8n-CFW具有显著的优势。

0 引言
1 YOLOv8n-CFW网络创新
1.1 网络模块创新
1.1.1 CBAM注意力机制
1.1.2 C2f模块的改进
1.2 损失函数创新
1.3 检测算法创新
1.3.1 兴趣区域
1.3.2 非定焦测距
2 实验与结果分析
2.1 数据集
2.2 实验环境
2.3 评价指标
2.4 实验结果与分析
2.4.1 注意力机制改进有效性分析
2.4.2 C2f模块改进的有效性
2.4.3 损失函数改进的有效性
2.4.4 兴趣区域改进的有效性
2.4.5 消融实验
2.4.6 对比实验
3 立井刚性罐道接头错位检测
4 结论