基于深度学习的钢材表面缺陷检测研究

作     者：李延舜 

作者单位：山东交通学院 

学位级别：硕士

导师姓名：徐硕博;姜光远;孙丰山

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 080502[工学-材料学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：深度学习 目标检测 多尺度特征 注意力模块 缺陷检测 

摘      要：近年来我国大力推进基础设施建设,钢材产能不断扩大,因此使用钢材表面缺陷检测技术保证钢材的质量变得更加重要。早期钢材表面缺陷技术主要依赖于手工设计特征,存在主观性强、泛化能力差等缺点。随着深度学习技术的发展,基于深度学习的钢材表面缺陷检测算法能够自动从数据中学习特征,识别更加复杂的缺陷,这一进展对推动制造业质量控制环节的自动化进程和智能化发展具有深远意义。虽然深度学习技术在钢材表面缺陷检测中展示了巨大的潜力,但在实际生产的应用过程中却暴露出两个主要的问题。首先在实际生产中钢材表面缺陷类型多样而且结构复杂,这对模型的识别能力提出了更高要求。此外基于大数据的深度学习模型意味着更多的参数和更复杂的计算,这直接增加了对计算资源的需求,特别是对于实际生产中计算能力有限的环境,深度学习模型的部署将面临诸多挑战。针对上述问题,为了实现更好的检测效果,本文提出一种在不增加模型尺寸的前提下提高检测精度的高效融合协调网络(Efficient Fusion Coordination,EFC-YOLO),并且提出一种适用低算力设备的轻量化高速检测模型(Lite-Speed Detect,LS-Detect),以极小的模型体积出色地完成钢材表面缺陷检测的任务。 本文的主要的研究内容如下: (1)针对钢材表面缺陷检测算法对复杂缺陷和小目标缺陷识别准确率低的问题,本研究对目标检测模型进行优化提出高精度模型EFC-YOLO。本文使用FusionFaster模块作为特征提取网络的主要单元,Fusion-Faster模块的基本算子部分卷积(Partial Convolution,PConv)可以在保证速度的前提下加强浅层网络提取缺陷信息的能力。而在模型颈部网络采用去加权的双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)结构,以低廉的计算成本增加阶跃分支实现不同尺度特征融合。最后在主干网络底层加入捷径协调注意力机制(Shortcut Coordinate Attention,SCA),更好的捕获位置信息依赖性,兼顾轻量化设计和识别精准度。最终EFC-YOLO在NEU-DET数据集上实现了良好的检测精度。 (2)针对工业设备计算资源有限的问题,本研究提出更加注重轻量化的高速模型LS-Detect兼容低算力生产设备。首先选择一个更加小巧的无锚框算法作为基线模型,为了弥补小模型丢失的精度,本研究加入空间分组增强模块(Spatial Group-wise Enhance,SGE)对通道进行语义分组,每个语义分组都能关注全局信息和长距离依赖关系,灵活调整每个特征的重要度,抑制缺陷背景的噪声。同时结合大核可分离注意力机制(Large Separable Kernel Attention,LSKA)在不增加计算负荷的前提下扩大感受野,进一步提高检测精度。最终在NEU-DET数据集上LS-Detect以轻量化的体积实现了理想的效果。 (3)针对使用深度学习算法操作繁琐的问题,本研究设计了钢材表面缺陷检测系统便于非专业人员直观地使用缺陷检测算法。它不仅提高了缺陷检测的直观性和易操作性,为调整参数提供即时反馈,还有助于研究人员和工程师分析检测结果,加速了算法优化和系统调整的过程。在实际应用中,能够大幅度提升生产线的自动化水平。