基于深度学习的工件表面缺陷检测方法研究.pdf

摘要

在工件生产过程中，常常会出现各种表面缺陷，如划痕、擦伤、凸起和裂缝

等，这些缺陷会对产品的外观、耐腐蚀性和使用寿命造成不利影响。因此，对工

件表面缺陷进行检测研究具有重要意义。随着人工智能技术的不断发展，工件表

面缺陷检测逐渐实现智能化。目前，工件表面缺陷智能化检测研究已取得了较大

进展，但仍然存在一些问题，例如小目标缺陷检测困难，数据样本量不足以及存

在噪声干扰导致检测精度较低等。鉴于上述问题，本文选择钢材、铝材和齿轮工

件作为研究对象，基于深度学习技术对工件表面缺陷检测方法进行研究，具体研

究内容如下：

（1）针对钢材、铝材和齿轮等三种工件数据集样本中存在一定程度的噪声

和小目标缺陷不明显以及样本偏少等问题，对数据集进行预处理，首先使用中值

滤波法和直方图均衡化法，对样本图像进行降噪和增强，提高工件表面缺陷特征

的可识别度；其次使用Mosaic数据增强法和Mixup数据增强法丰富数据集样

本，避免因小样本训练出现过拟合的情况，提高检测算法网络模型的鲁棒性。

（2）为提高工件表面缺陷检测精度，提出了一种融合改进YOLOv5的工件

表面缺陷检测方法。1）在Backbone和Neck网络中引入ECA注意力机制模块，

增强对缺陷特征提取能力，减小复杂背景干扰；2）引入C2F模块，丰富梯度流

信息，提高小目标的检测精度；3）调整优化空间金字塔池化结构，更加高效捕

捉关键信息，提升检测效率。基于三种工件数据集，验证了该方法的有效性和泛

化能力。实验表明，改进算法的平均检测精度比原算法提升了4.7%，速度达到

208FPS，并且改进算法性能优于其他常见目标检测算法（如SSD、Faster-

RCNN、YOLOv3、YOLOv4和YOLOv7等）。

（3）针对提出的工件表面缺陷检测方法，设计并实现了一个工件表面缺陷

检测系统，以测试该方法在实际应用中的性能表现。该系统基于PyQt5框架搭

建，包括硬件系统和软件系统两个部分。硬件系统由工业相机、工业镜头和光源

等组成，而软件系统则包含图片数据检测模块和视频数据检测模块。测试结果表

明，该系统针对图片和视频两种形式的缺陷数据均能准确定位和分类工件表面缺

陷，并将检测结果实时显示在可视化界面中，验证了所提算法在实际应用中的良

好性能。

关键词：深度学习，缺陷检测，YOLOv5，注意力机制，空间金字塔

Abstract

Duringtheproductionprocessofworkpieces,varioussurfacedefectssuchas

scratches,abrasions,protrusions,andcracksoftenoccur,leadingtoadverseeffectson

theappearance,corrosionresistance,andservicelifeoftheproduct.Therefore,research

ondetectingsurfacedefectsonworkpiecesisofsignificantimportance.Withthe

continuousdevelopmentofartificialintelligencetechnology,thedetectionofsurface

defectsonworkpiecesisgraduallybecomingintelligent.Currently,researchon

intelligentdetectionofsurfacedefectsonworkpieceshasmadesignificantprogress,but

therearestillsomeproblems,suchasdifficultiesindetectingsmalltargetdefects,

ins