基于改进Swin Transformer的钢板表面缺陷检测方法

钢板是钢铁生产的主要产品,占据总产量的65%,钢板的任何质量问题,都会对以钢板为原料的制造业造成巨大的经济损失,也会对钢板制造商造成巨大的声誉损失。随着制造业对钢板表面质量要求的提高,基于计算机视觉的自动缺陷检测方法也越来越受到重视。该文提出的改进Swin Transformer算法可以准确、快速地识别多种类别的钢表面缺陷。相对于常用的Faster RCNN,Mask RCNN等算法,具有对小尺寸缺陷识别精度更高,训练及预测速度更快的优势。针对现有缺陷检测方法对小尺寸缺陷识别精度差,识别速度慢的缺点,提出一种基于Swin Transformer骨干网络的钢板表面缺陷检测方法。由于Swin Transformer使用窗口划分代替卷积,因此,不会造成数据丢失和冗余计算,提高了识别精度和速度。试验结果表明,相对于YOLO V4的低检测精度和Faster R-CNN的慢识别速度,Swin Transformer可以实现高精度的实时检测,满足工业生产需求。