论文部分内容阅读
热轧带钢是现代钢铁产业中的重要产品，在各行各业中都有较多的应用。热轧带钢的生产过程中，带钢表面缺陷是影响产品质量的一个重要因素。传统的缺陷检测方法检测过程较为复杂，且难以满足快速、准确的缺陷检测要求。基于深度学习的热轧带钢表面缺陷检测系统具有检测准确、检测速度快等优点，但在复合缺陷检测、缺陷目标定位等问题上还存在一些不足。
本文使用多标签分类算法解决热轧带钢表面复合缺陷的检测问题;使用YOLO(You Only Look Once)算法对缺陷进行定位和分类。具体的研究内容如下:
1)使用基于神经网络的多标签分类模型，解决多种缺陷混合时难以全部检出的问题。在VGGNet、ResNet和MobileNet三种不同的神经网络模型上进行实验。通过添加注意力机制，提高多标签分类模型提取重要特征的能力;同时，改进损失函数，平衡正负样本间的数量差距。实验证明，这两种改进措施可以有效提高多标签分类模型的检测效果。
2)使用改进YOLOv3和YOLOv4模型进行缺陷检测，同时得到带钢表面缺陷位置和类别信息。在YOLOv3模型中使用加权K-means聚类算法和多检测尺度，解决模型难以检测小目标的问题。在YOLOv4模型中使用自适应空间特征融合结构和EIoU损失函数，提高模型整体的检测精度。实验表明，改进YOLOv3模型的平均精度可以达到80.1％，较原始模型提高了11％;改进YOLOv4模型的平均精度可以达到83.4％，较原始模型提高了3.7％。
3)对改进YOLOv4网络模型进行压缩，通过网络剪枝来减少模型规模。在保证模型依然拥有较高检测能力的基础上，提高改进YOLOv4模型在实际应用中的检测速度。最终，使改进YOLOv4模型规模降低了74％，同时使检测速度从每秒68张提高到82张。
本文使用多标签分类算法解决热轧带钢表面复合缺陷的检测问题;使用YOLO(You Only Look Once)算法对缺陷进行定位和分类。具体的研究内容如下:
1)使用基于神经网络的多标签分类模型，解决多种缺陷混合时难以全部检出的问题。在VGGNet、ResNet和MobileNet三种不同的神经网络模型上进行实验。通过添加注意力机制，提高多标签分类模型提取重要特征的能力;同时，改进损失函数，平衡正负样本间的数量差距。实验证明，这两种改进措施可以有效提高多标签分类模型的检测效果。
2)使用改进YOLOv3和YOLOv4模型进行缺陷检测，同时得到带钢表面缺陷位置和类别信息。在YOLOv3模型中使用加权K-means聚类算法和多检测尺度，解决模型难以检测小目标的问题。在YOLOv4模型中使用自适应空间特征融合结构和EIoU损失函数，提高模型整体的检测精度。实验表明，改进YOLOv3模型的平均精度可以达到80.1％，较原始模型提高了11％;改进YOLOv4模型的平均精度可以达到83.4％，较原始模型提高了3.7％。
3)对改进YOLOv4网络模型进行压缩，通过网络剪枝来减少模型规模。在保证模型依然拥有较高检测能力的基础上，提高改进YOLOv4模型在实际应用中的检测速度。最终，使改进YOLOv4模型规模降低了74％，同时使检测速度从每秒68张提高到82张。