摘要
带钢作为钢铁的主要产品之一，被广泛应用于建筑结构、航空火箭、汽车制造、家用电器、机械制造、电子仪表等领域。由于带钢加工的环境相当复杂，造成带钢表面的缺陷种类繁多。针对多目标且复杂场景的缺陷，以人工、机器视觉为主的检测方式，难以提取缺陷特征。因此本文采取深度学习的目标检测算法，利用卷积神经网络优异的特征提取能力，实现对带钢表面六类缺陷的分类与定位。本文主要研究内容和成果如下： 通过对比分析主流的目标检测算法，选取YOLOv4网络作为基准模型，对其网络结构、算法原理进行深入研究。通过分析YOLOv4网络模型对带钢表面六类缺陷检测的实验结果，对此网络模型做出以下三点改进： （1）针对YOLOv4网络模型对带钢表面细裂纹、氧化皮等小目标缺陷识别精度低的问题，本文设计了多尺度特征预测网络，增加一个152?152浅层网络的检测层，以提高网络模型对带钢表面细裂纹、氧化皮等小目标的识别精度。 （2）为了使网络模型输出的预测框更符合带钢表面六类缺陷的尺寸特征，引入K-means++聚类算法对带钢表面六类缺陷的数据集重新聚类，选择适合带钢表面六类缺陷数据集的先验框，以提高网络模型对带钢表面六类缺陷的精确定位。 （3）为了更加高效提取带钢表面六类缺陷的特征，在网络模型四个检测器的头部分别嵌入通道注意力机制。该机制能够增强通道间的注意力，提高网络模型对关键特征信息的提取，从而提升网络模型对带钢表面六类缺陷的识别精度。 本文采用以上三点改进的YOLOv4-III网络模型，在带钢表面六类缺陷的测试集上进行测试，带钢表面六类缺陷的平均精度mAP值达到94.6%，相比原始的YOLOv4网络模型提高了9.69个百分点。细裂纹、氧化皮的精度AP值有了显著的提升，相比原始的YOLOv4网络模型分别提高了30.47个百分点和11.03个百分点。实验结果表明本文优化的YOLOv4-III网络模型能够精准检测带钢表面六类缺陷的类别和位置，且具有很好的实际应用意义。
NETL