基于IVPSIC-Net的小样本热轧钢带表面缺陷检测研究

针对钢带表面缺陷检测样本不足、检测精度较低等问题,提出IVPSIC-Net模型,不需要对缺陷图像扩增或合成,仅需较少的数据样本,即可对钢带表面缺陷进行较为准确的分类和分割。经由ImageNet数据集进行预训练,通过调整宽度因子、引入多层感知机和空洞卷积等对特征提取模块进行优化与改进。基于MobileNet121将训练得到的模型权重迁移至IVPSIC-Net模型,大幅度减少了模型计算量。结合位置信息,融合改进的自注意力机制实现对缺陷的有效检出。实验证明,模型对热轧钢带的6种典型表面缺陷均可较为准确地分类和分割。所提出的方法在分类任务中准确度达到85%,相较其他缺陷目标检测算法(YOLOv4、MPF-DNN、FAR-Net、PSIC-Net等)提升了4.79%~6.97%;在分割任务中,相较其他分割算法(Deeplabv3plus、VGG-Unet、RDUnet-A、PSIC-Net等),错误率降低了8.00%~20.03%,能够更准确地分割出钢带表面的缺陷区域。

基于改进FCOS的钢带表面缺陷检测算法

针对现有钢带表面缺陷检测所存在的检测效率低、适用范围有限等缺陷,提出一种基于改进FCOS的钢带表面缺陷检测算法。该算法使用含形变卷积的卷积神经网络提取缺陷特征,使用关键点特征融合增强检测模型输入,并使用中心采样策略选取训练样本优化模型训练,最后使用东北大学钢带表面缺陷公共数据集进行训练和评估。本文算法在东北大学钢带表面缺陷公共数据集上平均检测精度为74%,检测速度为31.4 FPS。

基于YOLOV5s_Attention的表面缺陷检测的应用研究

基于卷积神经网络的表面缺陷检测算法虽然取得了较高的检测精度,但在检测速度上不能较好满足实际工程应用的实时性需求。为了满足实际工程中对检测精度与检测速度的均衡要求,文中以YOLOV5s为基线提出一种基于通道空间注意力的表面缺陷检测算法YOLOV5s_Attention。首先,将传统的数据增强与马赛克数据增强相结合来提升模型鲁棒性;其次,在Backbone中添加SE模块,将不同通道的特征权重进行重新分配,更有效地进行特征提取;最后,在Neck的跳链中添加CBAM模块,将提取特征依次进行通道与空间维度的融合,较好地保留了图像的通道特征与空间位置信息。在标准数据集上的大量对比实验证实了提出的YOLOV5s_Attention优于一些现有的经典模型。以NEU-DET数据集为例,相较于基线YOLOV5s,YOLOV5s_Attention的检测精度提升了8.3%,其中六类缺陷之一的细裂纹(Cr)的检测精度由32.8%提升到了76.8%,在保证检测精度的同时,单帧检测时间也达到91 f/s,从而能较好地满足缺陷检测工程中对检测精度与检测速度的均衡需求。