基于深度学习的钢材表面缺陷检测算法.pdfVIP

摘要

钢材具有强度大、韧性佳、重量轻等优点，是工业生产中不可缺少的原材料。

钢铁工业作为工业国家的基础产业之一，是衡量一个国家经济实力的重要指标。钢

材在生产过程中因加工工艺的不完善以及环境因素的影响，容易形成包括裂纹、划

痕、孔洞等表面缺陷。这些缺陷不仅影响美观，更是会改变钢材内部的受力结构，

降低钢材的性能，进而影响使用寿命。钢材的表面缺陷检测是钢材生产过程中十分

重要的一环，提升钢材的表面缺陷检测能力可以降低原材料的浪费以及提高企业

的生产效率和经营效益。近年来，我国钢材产量一直稳居世界第一，研究如何提高

钢材表面缺陷的检测能力对于我国钢材产业乃至整个国家工业的发展具有重要意

义。

传统的钢材表面缺陷检测方法包括人工检测、传统无损检测法以及传统机器

视觉检测法。这些方法存在劳动强度大、成本高、检测标准不统一等缺点。针对上

述问题，本文采用深度学习技术实现钢材表面缺陷的检测，并基于FasterRCNN和

YOLOv8目标检测模型设计了钢材表面缺陷检测算法。主要工作包括：(1)基于双

阶段目标检测模型FasterRCNN设计了SFFasterRCNN模型用以实现钢材表面缺

陷图像的检测。采用Res2net作为新模型的Backbone实现多尺度感受野的特征融

合。用CPCA注意力机制和FPN+PAN结构设计了SFFasterRCNN的特征融合网

络，实现不同层级特征图的加权融合。引入ROIAlign替代ROIPooing操作，以减

少量化误差。(2)改进了单阶段目标检测模型YOLOv8实现缺陷检测。采用SPD-

Conv卷积结构代替传统卷积，用以减少空间丢失，提升小目标检测效果。融合可

变形卷积模块DCNv2改进C2f模块以强化对形状不规则缺陷的检测能力。引入

HAFPN模块提升模型的特征融合能力。基于NEU和GC-DET钢材表面缺陷数据

集做了实验验证，结果表明，所提出的算法相比原算法拥有更好的检测效果。(3)设

计了基于深度学习的钢材表面缺陷检测系统，提供了图片识别、文档批量识别、视

频识别、相机实时识别检测等功能，有利于算法的应用。

关键词：钢材表面缺陷，深度学习，目标检测，FasterRCNN，YOLOv8

Abstract

Steelhastheadvantagesofhighstrength,goodtoughness,andlightweight,anditis

anindispensablerawmaterialinindustrialproduction.Thesteelindustry,asoneofthe

fundamentalindustriesofindustrialcountries,isanimportantindicatorformeasuringa

countryseconomicstrength.Steelispronetosurfacedefectssuchascracks,scratches,

andholesduringproductionduetoimperfectprocessingtechniquesandenvironmental

factors.Thesedefectsaffectaesthetics,altertheinternalstressstructureofthesteel,

reduceitsperformance,andthusaffectitsservicelife.Thesurfacedefectdetectionof

steelisaveryimportantpartofthesteelproductionprocess.Improvingthesurfacedefect

detectionabilityofsteelcanreducethewasteofrawmaterialsandimprovetheproduction

efficiencyandbusinessefficiencyofenterprises.Inr