基于可变形卷积和注意力的带钢瑕疵识别方法

带钢生产中瑕疵检测的准确性对于其质量的保证有着至关重要的意义。本文针对带钢表面瑕疵检测中的瑕疵种类复杂、背景干扰严重、瑕疵样式间面积形态差异较大等问题,提出了一种基于ResNet50改进的结合多尺度变形卷积和注意力的带钢表面瑕疵分类识别方法。首先通过细化ResNet50中BottleNeck结构的卷积块为一组多尺度卷积以扩大感受野,然后引入可变形卷积代替组中的卷积核,使网络在训练中捕捉不同形态尺度的瑕疵特征。最后在网络中引入增强注意力模块,使网络可以关注到通道与空间之间的信息,将其联合起来从而关注到更重要的通道和空间位置。通过对比实验表明,本文提出的方法在带钢的表面瑕疵分类识别上精确度优于现有方法,可以应用于企业实际的带钢的工业生产中。

基于LIR和GFNet的带钢表面缺陷识别

针对深度学习(deep learning,DL)模型处理带钢表面缺陷图像存在计算成本大、实时性差的问题,提出了一种基于可学习的图像调整器(learnable image resizer,LIR)和扫视-聚焦网络(glance and focus network,GFNet)的带钢表面缺陷分类方法。首先,针对DL模型在处理带钢表面缺陷图像时存在空间冗余的问题,提出GFNet驱动的带钢表面缺陷识别模型,其可以根据不同样本自适应分配计算资源,在模型推理阶段显著减少计算量;其次,提出LIR和GFNet联合训练的方法,调整图像大小的同时实现针对识别模型的特征增强;最后,收集整理了某钢铁企业冷轧薄板厂带钢表面缺陷数据集,利用所提方法进行分析。将残差网络(residual networks,ResNet)的ResNet-50模型作为主干网络,与原始ResNet-50比较,所提方法在不牺牲准确率的情况下,将单张图像的推断时间减少约3.58倍,计算量降低约6.11倍,从而验证了提出方法的有效性。

基于元学习的带钢表面缺陷小样本语义分割

由于缺少带钢表面缺陷样本,使得深度神经网络在带钢表面缺陷检测的应用受到了限制,为解决这一实际问题,提出了一种基于元学习思想的小样本语义分割深度学习方法.该方法引入了多尺度解码器和注意力机制.多尺度解码器能够聚合不同尺度的缺陷特征信息,提高网络的分割精度.注意力机制能够有效增强缺陷信息表达,并且抑制背景信息的干扰.此外,构建了一个带钢表面缺陷语义分割数据集,该数据集包含9类带钢表面缺陷.在该数据集上进行了相关实验,结果表明本文方法在平均交并比和前景-背景交并比指标上优于PFENet,SCLNet和HSNet等方法.

改进YOLOv7的带钢表面缺陷检测算法

针对带钢缺陷检测中存在的计算复杂度高、对小目标检测效果差等问题,提出了一种基于改进YOLOv7的小目标检测算法,用于区分带钢在生产过程中产生的表面缺陷。在YOLOv7的基础上,首先,将loss部分的损失函数CIOU替换为MPDiou,可以更好地处理目标框之间的交叉、遮挡等情况;接着,使用PConv(Partial Convolution)替换YOLOv7中的Backbone部分的卷积,可以减少算法的冗余计算量;最后,在YOLOv7的Head部分引入SimAM (Simple Attention Mechanism)注意力机制、动态蛇形卷积(Dynamic Snake Convolution)和BiFPN特征融合模块,以增强卷积神经网络的特征表达能力。

基于MTF-gcForest的带钢表面缺陷分类方法研究

针对带钢表面缺陷位置分布不均、类型复杂多样的特点,为保证特征提取的维度丰富性与识别准确率,提出一种基于多纹理特征融合与gcForest集成学习相结合的带钢缺陷识别方法MTF-gcForest。首先提取带钢表面的灰度共生矩阵、局部二值模式、灰度游程矩阵特征,以充分挖掘带钢表面的纹理信息。然后,将归一化处理后的特征进行融合,最后用gcForest分类器进行分类。实验比较了单纹理特征和多纹理特征的性能表现,以及多种分类器的分类精度。实验结果表明:基于MTF-gcForest方法的平均准确率达到97.22%,优于其他带钢表面缺陷检测算法,具有较强的推广意义。

基于通道和空间注意力的带钢表面缺陷显著性目标检测

钢材表面缺陷检测在工业产品质量控制中越来越重要。由于钢材表面缺陷具有复杂背景、缺陷种类多样、尺度不一等特点,精确、高效地检测带钢表面缺陷仍然是一项极具挑战性的任务。针对这些问题,提出了一种基于通道和空间注意力的带钢表面缺陷显著性目标检测模型。首先,基于Transformer提取带钢图像的多尺度特征,以捕获目标图像的长距离依赖关系;接着,将获取的多尺度特征图送入所设计的两种不同的注意力模块(通道注意力模块和空间注意力模块),以强调带钢表面缺陷特征而抑制不相关的背景特征,从而加强对缺陷目标和背景的区分能力;最后,采用多尺度渐进融合模块融合多尺度特征图,以便不同尺度的特征信息能够进行互补,获取具有丰富语义信息的特征图,使模型能够更高效且精确地检测出带钢表面缺陷。大量实验结果表明,该模型在显著目标检测任务中具有显著的优势,表现出更高的准确性和更强的鲁棒性。

一种基于CNN的带钢表面缺陷识别方法

带钢表面质量是衡量产品性能的重要指标,准确识别带钢表面缺陷是带钢生产过程的关键一环,剪除缺陷带钢对于提升带钢成材率具有重要意义。为提升带钢表面缺陷识别的准确率,构建了基于CNN的带钢表面缺陷识别模型,通过多个卷积层提取图像特征,从而自动识别缺陷类别,实现了端到端的带钢表面缺陷识别过程。实验结果表明,CNN模型对于带钢表面缺陷识别准确率达到了96.5%,识别一张图片时间仅为1.5 ms,基本满足了带钢缺陷识别要求。

改进YOLOv8 的带钢缺陷检测

针对带钢表面缺陷检测精度不足的问题,提出一种改进的YOLOv8n检测模型。基于可变形卷积对Head网络中的C2f模块进行了重新设计;通过利用采样点的可变性,有效提高了对表面不规则缺陷的检测能力。添加多头自注意力机制捕捉不同的关注点,从而提供全面且多样化的特征表示,进一步增强模型的检测性能。拼接Backbone和Head的特征,提升特征的质量和丰富度,解决缺陷局部信息丢失问题。在NEU-DET带钢数据集的实验验证中,该方法在平均精度和mAP50上较YOLOv8n分别提升了5.6和2.2个百分点。值得注意的是,裂纹缺陷的检测精度和mAP50分别提升了15.2和9.9个百分点,效果显著。

基于决策级融合的曳引钢带表面缺陷检测方法

由于电梯曳引钢带的工况环境恶劣,钢带表面容易出现缺陷,而复杂昏暗的环境导致缺陷识别和定位困难。为此,提出了基于决策级融合的曳引钢带缺陷检测方法,利用迁移学习的方法微调YOLOv4及SSD的预训练模型,并将其应用于曳引钢带缺陷检测,得到不同的原始检测结果,利用所提方法在决策级融合YOLOv4及SSD模型的原始检测结果,以此提高钢带表面缺陷识别和定位的准确率。利用东北大学钢带表面缺陷公开数据集对所提方法的有效性和可靠性进行测试,缺陷识别和定位结果表明所提方法能够充分利用YOLOv4和SSD模型的原始检测结果,通过决策级融合初始检测结果取得较高的缺陷识别和定位准确性,准确率和召回率提高约15%,交并比达到0.6左右,这对于电梯曳引钢带的缺陷检测和维修保养有重要意义,并进一步保证电梯能够安全可靠运行。

融合滑动注意力机制的钢带缺陷检测算法

针对工业钢带表面缺陷检测存在的小目标识别率差、检测精度低等问题,提出一种融合滑动注意力机制的钢带缺陷检测算法。首先,构建融合滑动注意力主干网络,建模局部自注意力机制全局上下文;其次,提出基于内容重组的上采样算子,通过模型感受野的提升捕获目标周围特征信息;最后,通过可自适应学习的参数引导特征融合模块,抑制模型在训练过程中由于梯度反传而导致的不一致性。工业钢带数据集NEU-DET上的实验结果表明,所提检测算法能够在牺牲较少检测速度的情况下,提升均值平均精度至83.2%.

热轧带钢麻面产生原因分析及控制措施

针对供冷轧用热轧带钢表面出现麻坑、麻面问题,文中结合德龙钢铁有限公司1250mm热轧生产线实际生产状况和机组情况,通过修订工艺制度、提高轧辊冷却水压力、启用机架带钢冷却水、调整水嘴型号和角度、改善轧辊材质等措施,有效的控制和减少了热轧低碳带钢的麻坑缺陷。

改进YOLOv5模型的带钢表面缺陷检测方法

针对带钢表面缺陷检测中的漏检和精度较低问题,提出一种融合swin-transformer和坐标注意力(coordinate attention,CA)模块的改进YOLOv5模型检测方法。在YOLOv5模型的主干网络中引入swin-transformer特征提取模块,使主干网络更聚焦于图像全局特征信息的提取;在特征融合网络输出分支末端嵌入CA模块,进一步增强目标缺陷方向和位置信息的敏感度。研究结果表明:改进模型在NEU-DET数据集上的平均精度值(mAP)达到了77.6%,较原YOLOv5模型提高了3个百分点。改进模型提升了带钢表面缺陷检测精度,具有更好的缺陷检测能力。

冷轧厂薄带钢高效生产的问题及解决方案分析

热镀锌板具有抗腐蚀强、易于深加工、使用寿命长、成本低以及表面美观等特点,主要用于家用电器、汽车等产品的内部构件和面板应用。随着家电板、汽车板工业的发展,家电和汽车所用的镀锌板占全国钢产量的比例逐步提升。随着国内外家电板、汽车板轻质化和高质量的要求,客户对产品表面质量要求越来越严格。针对生产线在提速增产过程中出现的入口跑偏、工艺段带钢表面质量缺陷和薄带钢薄锌层产速受限问题,提出了相应的改进措施。优化后,不仅提高了产量,而且提高了产品质量。

合金化热镀锌IF钢板表面短白条缺陷产生原因及演变机理研究

使用扫描电子显微镜、能谱仪等设备,分析了一种合金化热镀锌IF钢GA外板表面短白条缺陷的产生原因,同时对热卷表面的黑线缺陷、板坯表面的渣孔缺陷进行了分析。结果表明:短白条缺陷形成的直接原因与Al_(2)O_(3)夹杂有关,根本原因为板坯表面的渣孔缺陷。由于炼钢吹氩气泡大,且镇静时间较短,部分携带有Al_(2)O_(3)夹杂的氩气泡来不及上浮至表面,停留在钢中未被去除,在经过轧制延伸并镀锌后,在钢板表面形成短白条缺陷。讨论了该缺陷的演变机理,提出通过改善吹氩方式,采用更多尺寸较小的氩气泡,能更好地去除微小夹杂物,同时降低板坯渣孔的发生率。

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。

融合Transformer的带钢缺陷实时检测算法

在带钢的生产过程中通常会产生影响产品质量的表面缺陷。针对带钢表面缺陷检测效率低以及小目标缺陷检测精度差的问题,提出一种融合Transformer的带钢缺陷实时检测算法TRSD-YOLO(Transformer real-time strip steel defects detection-YOLO)。设计一种结合Transformer自注意力机制的特征提取模块BottleNeckCSPTR,通过自注意力的增强来提升模块对小目标缺陷信息的获取能力;运用BottleNeckCSPTR模块构建新的主干特征提取网络CSPDarknetTR,并将动态激活函数Meta-ACON与主干网络相融合,进一步强化网络对缺陷特征的表示能力;提出一种轻量级双向加权特征金字塔结构BiFPN-Light作为融合多尺度特征的方式,提高网络对小尺寸缺陷的检测精度。实验结果表明,提出的算法在NEU-DET数据集上mAP达到了82.2%,较原有的YOLOv4算法提高了5.3个百分点;同时检测速度达到31.3 FPS,可匹配工业场景的需求。

冷轧带钢表面缺陷问题的分析与控制

冷轧带钢具有平整度高、表面光洁度好、尺寸精度高和力学性能好的优点,是各种涂层钢板最为优质的原材料,广泛应用于机械、汽车、船舶制造等领域,具有广阔的市场销路。表面状态和表面粗糙度是衡量冷轧带钢产品的一项重要指标,也是冷轧带钢产品质量问题反馈较多的环节。为了确保冷轧带钢产品的表面质量,针对冷轧带钢表面常见缺陷问题的类型、成因等进行分析,并提出相应的控制措施,从而减少和消除表面质量缺陷。

430铁素体不锈钢冷轧带钢表面黑带缺陷分析

采用扫描电子显微镜(SEM)及能谱分析(EDS)等方法对冷轧带钢表面黑带缺陷和连铸板坯表层碳化物的形貌、尺寸及分布进行了分析研究。结果表明:430不锈钢带钢表面黑带缺陷部位较正常区域有更高的碳含量,且出现贫铬元素,为明显的晶间腐蚀缺陷。分别使用A型和B型保护渣的430不锈钢铸坯边部和中部表层均存在颗粒状碳化物,碳化物区域深度不同,呈不连续的分布。因此,由于结晶器液面波动或保护渣熔速过慢导致熔渣层补充不足,富碳层与钢液和铸坯表面接触,造成铸坯表面覆碳,在后续轧制过程形成黑带缺陷。

基于IHPO-KELM的冷轧带钢板形模式识别

针对目前板形识别方法存在的识别精度低、速度慢等问题,提出了一种改进猎食者算法优化核极限学习机(IHPO-KELM)的冷轧带钢板形识别模型。首先,为减少网络中初始参数的数量、提高板形识别的精度与速度,采用了核极限学习机(KELM)网络;其次,为提高猎食者(HPO)算法的精度,利用基于Sine混沌映射初始化猎食者算法的种群,并针对HPO在迭代过程中易陷入局部早熟的问题,在改进的线性组合位置更新公式中加入莱维飞行机制;然后利用改进猎食者算法对核极限学习机网络识别模型的正则化系数和核参数进行优化,提高板形识别的精度;最后,通过Matlab仿真验证了IHPO-KELM算法具有网络结构简单、收敛速度快、识别精度高等优点。采用IHPO-KELM算法对某公司900HC可逆冷轧机实测数据进行识别,其识别精度比麻雀算法优化KELM(SSA-KELM)识别模型提高了58.8%,表明IHPO-KELM识别模型具有良好的泛化能力,为板形缺陷的高效智能识别提供了新思路。

Multi-class classification method for strip steel surface defects based on support vector machine with adjustable hyper-sphere

Focusing on strip steel surface defects classification, a novel support vector machine with adjustable hyper-sphere （AHSVM） is formulated. Meanwhile, a new multi-class classification method is proposed. Originated from support vector data description, AHSVM adopts hyper-sphere to solve classification problem. AHSVM can obey two principles： the margin maximization and inner-class dispersion minimization. Moreover, the hyper-sphere of AHSVM is adjustable, which makes the final classification hyper-sphere optimal for training dataset. On the other hand, AHSVM is combined with binary tree to solve multi-class classification for steel surface defects. A scheme of samples pruning in mapped feature space is provided, which can reduce the number of training samples under the premise of classification accuracy, resulting in the improvements of classification speed. Finally, some testing experiments are done for eight types of strip steel surface defects. Experimental results show that multi-class AHSVM classifier exhibits satisfactory results in classification accuracy and efficiency.