基于深度学习的热轧带钢表面缺陷检测方法研究.pdf

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。

关键词：

缺陷检测；深度学习；YOLOv5算法；E-SE注意力机制；小目标检测层

Abstract

Hot-rolledstripsteelplaysasignificantroleinthefieldofmechanicalengineering

andhasagreatimpactonthemachineryindustry.Duetovariousfactorssuchas

productionprocessesandequipment,hot-rolledstripsteeloftenhassurfacedefects,

whichareimportantfactorsaffectingthequalityofsteelproduction.Traditionaldefect

detectionmethodsaredifficulttoimplementandhavelowdetectionefficiency,making

itdifficulttomeettheactualneedsofsteelproductioncompanies.Deeplearning-based

surfacedefectdetectionforhot-rolledstripsteelcanquicklydetectdefects,butitstillhas

limitationsintermsofsmall-scaledefectdetectionaccuracy,detectionspeed,andmodel

lightweighting.Themainresearchcontentofthisarticleincludesthefollowingaspects:

1)AnimprovedYOLOv5networkforsurfacedefectdetectioninhot-rolledstrip

steelisproposed.Firstly,thebackbonenetworkofYOLOv5isoptimizedbyintroducing

thelightweightRepVGGnetworkmoduletoreducethenumberofparametersand

improvedetectionspeed.Secondly,theNecknetworkof