摘要
钢板作为许多工业制品的主要材料之一，在各行业具有广泛用途。随着我国的产业升级，对钢板的要求从产量的提高逐步转向品质的提升。由于钢板生产过程中技术因素的影响，其表面可能会产生各种不同种类的缺陷，这些缺陷会在不同程度上影响钢材的性能，甚至造成严重的生产事故。因此钢板表面缺陷检测的研究具有重要意义。 与传统目标检测算法相比，基于深度学习的目标检测具有检测精度高、检测速度快、可移植性好的优势，因此更适合应用于工业场景。本文以钢板作为研究对象，以YOLOv5目标检测算法作为基础算法，对钢板表面缺陷检测问题进行研究。具体研究内容如下： （1）首先对目前主流的目标检测算法进行介绍和对比，经过分析选择了综合性能最好的YOLOv5算法作为本研究的基础算法。详细分析了钢板表面缺陷数据集，针对数据集数量少、样本不够丰富的问题，采用线性对比度增强与Mosaic数据增强结合的数据集扩增方案对数据集进行预处理，避免了过拟合的发生。 （2）针对钢板表面缺陷检测任务中预测框定位偏差大和缺陷目标特征提取不充分等问题，在YOLOv5目标检测算法中采用入K-means聚类和FCM聚类两种Anchor匹配算法，并且在骨干网络引入CBAM和FcaNet两种注意力机制。经过对比实验，单独优化Anchor匹配算法或加入注意力机制都可以有效提高模型的各项性能。Anchor匹配算法的优化降低了预测跨回归损失，提升了YOLOv5模型对缺陷的定位准确度。注意力机制的加入通过提高输入图像上有用特征的权重，从而有效提升了模型对目标缺陷特征的提取能力。 （3）进行钢板表面缺陷检测实验，将预测框匹配算法与添加注意力机制这两种改进方案进行组合，得到四种组合改进的YOLOv5网络模型。通过实验对比这四种改进模型的各项性能参数，得到了最优YOLOv5网络。原YOLOv5网络的mAP为71.8%，而最优YOLOv5网络的mAP值达到了75.1%，误检、漏检的问题也得到了显著改善。随后将最优YOLOv5网络模型对实际钢板进行缺陷检测，并分析其检测效果。 （4）搭建了钢板表面缺陷检测软件系统，通过该软件系统即可实现对数据集的训练和钢板表面缺陷检测的功能。
NETL