摘要
钢铁行业是我国的支柱产业之一，然而由于原材料以及制作工艺等问题，带钢表面往往不可避免的存在一些缺陷。这些缺陷不仅仅会影响产品的美观性、还会影响产品的抗腐蚀能力、耐磨性、以及疲劳强度。现有的缺陷检测方法如人工目测主观性强，易漏检;物理检测依赖设备，检测材料类型有限;机器视觉检测算法的设计需要大量专业领域知识，泛化性能较差。 在此背景下，本文采用基于深度学习的带钢表面缺陷检测方法，对缺陷分类与缺陷检测两类任务进行了深入研究，主要研究内容与成果如下:首先，在缺陷分类任务中，结合现有注意力模块的优点，提出了MFAM(Matrix Fusion Attention Mechanism)和FFAM(Fourier Fusion Attention Mechanism)注意力模块;针对手工设计的网络架构难以在特定数据集上达到最优分类精度的问题，采用改进的神经架构搜索框架NATv2，以Actor-Critic算法替代REINFORCE算法更新控制器参数，基于NEU-CLS-64数据集搜索最优架构，引入Top-1精确度与模型计算复杂度GFLOPs指标进行评估与分析。其次，在缺陷检测任务中，针对NEU-DET热轧带钢表面缺陷目标检测数据集整体样本数量较少的问题，提出在线图像拼接数据增强方法，将多幅图像放缩并拼接在一幅图像内，无需其余可能造成缺陷图像不真实的增强方法如裁剪、随机亮度等;针对在线图像拼接数据增强方法涉及到的超参与YOLOv5原有超参相互耦合且难以手动搜索到最优组合的问题，采用树型Parzen估计TPE(Tree-structured Parzen Estimator)优化YOLOv5整个超参空间，引入mAP(平均检测精度)指标进行评估与分析。 实验结果表明，首先，在缺陷分类任务中，MFAM与FFAM在NEU-CLS-64数据集上的Top-1准确度优于其余经典注意力机制;改进后的NATv2得到的架构Top-1准确度相较原NATv2得到的架构略有提升，且优于手工设计网络ResNet。其次，在缺陷检测任务中，在线图像拼接数据增强方法在NEU-DET数据集上的mAP优于原YOLOv5的马赛克增强方法;结合TPE(树型Parzen估计算法)搜索到的超参组合经过训练后mAP得到了提升;在此基础上，采用加权特征融合的方法，增强网络对不同尺度缺陷目标的捕捉能力;引入可变形卷积，使网络能够适应条状缺陷目标，改进后的检测算法mAP指标达到87.2％。检测速度达到40FPS，在精度和速度指标上均满足了带钢的在线检测需求。
NETL