摘要
钢材是国家不可或缺的重要物资，钢材品质关系着硬件设施的安全。在钢材生产加工和使用过程中，由于现代生产工艺和外部因素影响，其表面可能会产生各种类型的缺陷。这些缺陷不仅影响钢材的完整性和功能性，更严重还会引发事故，危害人身安全。因此，对钢材表面进行智能化、自动化的缺陷检测尤为重要。 本文为解决钢材表面缺陷存在的种类多、目标小、分布密集、背景复杂且噪音大等问题，通过对YOLOv4和MaskR-CNN算法进行优化改进，旨在为日常钢材缺陷检测提供更加准确且高效的解决方案。具体研究内容如下： 在数据预处理阶段，为改善图片质量，增加训练数据量，解决缺陷数据较少的问题，本文采用Ray分布式计算框架对现有图片数据进行数据增强。实验表明，当任务量相同时，随着分布式节点个数的增加，数据预处理的时间明显缩短，该方法可以有效地加快数据的预处理速度。 针对人工和传统缺陷检测耗时久、出错率高、效率低等问题，本文提出一种基于改进YOLOv4的带钢表面缺陷检测算法。在YOLOv4主干网络嵌入卷积注意力机制，并将路径聚合网络调整为RFB_aug结构，以提高网络模型提取相关特征性信息的能力；实验证明，改进网络结构的YOLOv4算法的平均精度比原始算法高2.66%。同时，为减少参数量，缩小模型体积，对改进的YOLOv4算法进行结构化剪枝，剪枝后的YOLOv4模型相较于改进的YOLOv4模型，参数量减少19.7%，平均精度相较于原始YOLOv4算法提升2.02%。剪枝后的模型更加轻量化，减少了网络复杂度和内存占用，更适合在实际工业环境中部署使用。 针对钢轨缺陷形式多样性、随机性以及目前所用方法精度差等难题，提出一种基于MaskR-CNN的钢轨表面缺陷分割网络。采用新的特征金字塔结构DFPN来设计检测网络，实现多尺度融合；在区域建议网络中采用一种新的评价指标CIOU，以克服IOU在某些特殊情况下的局限性。实验结果表明，新模型与MaskR-CNN相比，在参数量增加不大的情况下，mAP从原算法的97.53%提升至98.70%，能够更加精细的提取缺陷特征，准确定位缺陷所在位置。 本文利用flask框架搭建钢材表面缺陷检测原型系统，包括单张图片预测，批量图片预测和视频预测功能。该原型系统应用深度学习算法，可以快速检测和识别钢材表面缺陷，并提供高清晰度的图像定位信息，从而让检测人员能够更快捷、高效地完成钢材表面缺陷的检测工作。
NETL