摘要
热轧带钢作为机械工程的基础材料，在机械工业中发挥了巨大作用。热轧带钢因为生产设备、生产流程等方面影响会产生表面缺陷，这是导致热轧带钢生产质量降低的主要因素。传统的缺陷检测方法实施难度大，检测效率低下，难以满足热轧带钢生产企业的实际需求。近年来，基于深度学习的热轧带钢表面缺陷检测方法能够快速检测热轧带钢缺陷，然而现有方法在小尺度缺陷检测精度、检测速度和模型轻量化方面尚存在一定局限性。针对上述问题，本文开展了以下研究： （1）本文基于YOLOv5提出一种改进的网络热轧带钢表面缺陷检测方法。首先，引入更为轻量化的RepVGG网络模块，减少参数量同时提高检测速度，从而优化YOLOv5的主干网络。其次，对YOLOv5的Neck网络进行优化，引入CARAFE模块和PyConv模块，实现模型整体轻量化，且提高检测效率。同时引入E-SE注意力机制，提高Neck网络的特征融合能力。最后，为了提高对小目标的检测能力，本文增加了小目标检测层。在东北大学提供的热轧带钢数据集上的实验结果表明，本文设计的改进算法平均精准度值从70.6%提升至77.4%，FPS从59提高到70。 （2）基于提出的算法模型，本文设计了基于PyQt5框架的带钢表面缺陷检测系统可视化平台。该平台主要包括用户登录模块、检测模块、其他功能模块及数据存储模块。不仅满足了企业对于日常检测热轧带钢表面缺陷系统的需求，还为用户提供了简单易用的接口，显著降低用户的使用门槛。
NETL