基于改进YOLOv7-tiny的钢材表面缺陷检测算法

石一可; 周先军

doi:10.12404/j.issn.1671-1815.2408256

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (3) :1147-1156 DOI: 10.12404/j.issn.1671-1815.2408256

论文：自动化技术、计算机技术

基于改进YOLOv7-tiny的钢材表面缺陷检测算法

石一可 ,
周先军 ^*

作者信息 +

Steel Surface Defect Detection Algorithm Based on Improved YOLOv7-tiny Network

SHI Yi-ke ,
ZHOU Xian-jun ^*

Author information +

文章历史 +

摘要

为解决钢材缺陷检测精度低、模型参数量大以及多尺寸目标检测困难等问题,提出了一种基于改进YOLOv7-tiny(you only look once v7-tiny)网络的钢材缺陷检测算法。首先引入鬼影混洗卷积模块(group shuffle convolution,GSConv),减少标准卷积块带来的冗余计算;其次引入加权双向特征金字塔网(bidirectional feature pyramid network,BiFPN)结构,增强模型多尺度特征融合;之后设计SPPEC(SPPELAN-CBAM)模块,提升检测速度捕捉细节信息;最后采用K-means++IoU(intersection over union)算法重新划定锚框,降低网络对于钢材缺陷检测的漏检率。在NEU-DET数据集上实验表明,改进后检测算法相对于原网络mAP(mean average precision)值提高了6.8%,参数量减少为4.71 M,检测速度提升为123 f/s(frame per second),实现了更加实时、准确的钢材缺陷检测需求。

Abstract

To solve the problems of low detection accuracy of steel defects, large number of model parameters, and difficulty in detecting multiple-sized targets, a steel defect detection algorithm based on an improved YOLOv7-tiny network was proposed. The method first introduced GSConv(group shuffle convolution) module to reduce the redundant computations caused by standard convolutional blocks; further the multi-scale feature fusion of the model was further enhanced by embedding BiFPN(bidirectional feature pyramid network). The SPPEC(SPPELAN-CBAM) module was designed to increase the detection speed and enhance the information extraction capability; the K-means++IoU(intersection over union) algorithm was employed to redefine new anchor boxes adapted to steel defects, thereby reducing the missed detection rate. Experiments on NEU-DET dataset show that compared with the original network, the improved detection algorithm has increased the mAP(mean average precision) value by 6.8%, reduced the number of parameters to 4.71 M, and increased the detection speed to 123 f/s(frame per second), achieving more real-time and accurate steel defect detection requirements.

Graphical abstract

关键词

钢材缺陷 / 目标检测 / 鬼影混洗卷积 / 锚框优化

Key words

steel surface defect / object defection / GSConv / anchor box optimization

引用本文

引用格式 ▾

石一可, 周先军. 基于改进YOLOv7-tiny的钢材表面缺陷检测算法[J]. 科学技术与工程, 2026, 26(3): 1147-1156 DOI:10.12404/j.issn.1671-1815.2408256

SHI Yi-ke, ZHOU Xian-jun. Steel Surface Defect Detection Algorithm Based on Improved YOLOv7-tiny Network[J]. Science Technology and Engineering, 2026, 26(3): 1147-1156 DOI:10.12404/j.issn.1671-1815.2408256

登录浏览全文

4963

注册一个新账户忘记密码

作为应用最为广泛的金属材料之一,钢材不仅是现代工业和社会发展的基础材料,还是国家安全和国防的重要保障^[1-2]。受制造过程及实际生产运输环境中的种种不确定因素影响,钢材表面难免出现裂纹、划痕等缺陷^[3],这些缺陷会影响钢材的耐磨性和抗疲劳性降低钢材使用寿命,在一些安全性要求极高的应用场景会带来重大的损失和安全隐患^[4-5]。因此,钢材表面缺陷检测已经成为确保安全生产和检验钢材使用范围的关键环节。高效、精确的钢材表面缺陷检测技术,不仅能够识别和预防潜在的安全问题,还能够为质量改进提供依据。

在过去,钢铁制造行业使用人工检测、涡流检测、射线检测等传统的检测方法来确保产品的质量和安全。这些检测方法通常存在一定局限性,如操作成本高,还可能因为人为因素导致检测失误,检测精度低,无法准确识别细微的钢材瑕疵;涡流检测法以电磁感应理论为理论基础,根据感应线圈中的电流信号的变化来判断是否存在缺陷。但不能直观显示缺陷形状和大小,适用材料有限。

近年,深度学习技术兴起,以其高效性和强大的视觉处理能力,为解决传统方法面临的问题提供了新的思路。基于深度学习的视觉识别方法被广泛应用于各类缺陷检测领域,可按实现流程分为两阶段检测模型和单阶段检测模型。

两阶段检测算法以Faster R-CNN(Fast region-based convolutional neural networks)^[6-7]为代表,将检测任务分为候选区域提取和分类定位两个阶段,旨在提高检测模型对复杂背景下缺陷的检测能力。但推理速度慢,需要大量计算资源等问题限制了它在需要快速响应的实际应用场景中的应用。Zhao等^[8]提出一种特征融合和级联检测网络的Faster R-CNN钢材表面缺陷检测算法。Fu等^[9]设计了一个Mask R-CNN和Trans UNet (Transformers U-Net)联合的自动检测和像素级量化模型,实验展示了该模型对微裂纹损坏图像数据集的平均精度(average precision,AP)AP50为0.989。

而单阶段检测算法以YOLO(you only look once)系列^[10-12]为代表,直接在网络中同时预测类别和位置,大大减少了计算资源的消耗。与两阶段算法相比具备明显的速度优势,适合工业实时检测场景^[13-14]。其中,得益于简单的网络架构和高效的性能表现,YOLO系列检测算法在缺陷检测领域获得广泛的应用^[15]。

Li等^[16]将YOLO网络改进为全卷积的形式,对自建的带钢表面缺陷数据集进行训练;He等^[17]提出了一种融合多尺度特征的端到端钢材检测方法;徐镪等^[18]将YOLOv3网络中特征提取网络替换成轻量级MobileNet,并使用Inception结构来减少模型参数量;马燕婷等^[19]提出改进YOLOv5的钢材表面缺陷检测算法,采用Transformer与加权双向特征金字塔网(bidirectional feature pyramid network,BiFPN)结合等方法增强浅层与深层信息的融合;Chen等^[20]方图均衡化对钢材缺陷图片进行增强处理,融合可变形卷积扩展感受域;Wang等^[21]在YOLOv7骨干网络中引入ConvNeXt模块,增强模型的特征提取和小特征识别能力,为了减小模型的规模,提高模型的推理速度,采用改进的C3模块代替头部的ELAN(effective long-range aggregation network)模块。周孟然等^[22]通过引入FReLU(functional rectified linear unit)激活函数构建卷积模块CBF(Fourier convolution block),设计一种YOLOv5s-FCS网络,提升了网络的空间解析能力。Lü等^[23]将YOLOv7骨干网络中的传统卷积层替换为部分卷积,在ELAN模块中引入了CA(coordinate attention)注意力机制模块,并在输出端引入了SPD(space-to-depth convolution)卷积模块,以优化小目标的检测性能,但模型参数量依然偏大,计算成本要求高。

现有钢材缺陷检测技术在算法模型精度方面往往难以满足实际生产中对高精度检测的需求,较大的检测模型也限制了其在钢材工厂等工业环境中的应用。且钢材表面缺陷大小不一,不同缺陷检测精度差异大,影响整体检测效果。针对以上问题,现提出一种基于改进YOLOv7-tiny的钢材表面缺陷检测算法,显著降低计算成本的同时,通过增强网络对细节信息的捕捉能力,设计更适合钢材表面缺陷的检测锚框,实验证明,改进后网络在提升检测速度和准确性方面也表现出色。

1 YOLOv7-tiny网络模型

考虑到实时性检测的需要,选择以轻量级网络模型YOLOv7-tiny作为原始模型进行改进研究。YOLOv7-tiny由YOLOv7改进而来,其网络结构如图1所示,网络主要由四个关键模块组成:输入(input)、特征提取网络也称主干网络(backbone)、特征融合网络(neck)和输出(output)。

输入图像经输出端裁剪、缩放等操作后统一大小输入网络。主干网络由大量的CBL标准卷积层、ELAN和最大池化下采样层组成。标准卷积块负责捕捉图像中的原始特征。ELAN层进一步学习和优化原始特征,Maxpool层张量拼接不同特征。

特征融合网络沿用路径聚合特征金字塔(path aggregation network,PAFPN)网络架构,保留了优化后的SPPCSPC(spatial pyramid pooling cross stage partial connection)结构,得到更加丰富的特征信息。输出端使用IDetect检测头,根据融合后特征值归类大、中、小图像,作用于不同大小的缺陷目标。

2 改进YOLOv7-tiny网络模型

YOLOv7-tiny作为轻量级网络,在速度和轻量化方面具有优势。针对钢材缺陷检测算法检测精度低,模型参数大计算复杂等问题本中以YOLOv7-tiny算法为研究对象,从提升检测速度和检测精度、降低计算量等角度对网络各部分进行优化。

首先使用GSConv(group shuffle convolution)模块替换网络中的标准卷积模块,减少冗余计算量;在neck层加入BiFPN结构,加强特征融合,提高对特征信息的提取能力;提出改进SPPEC模块,调整模块结构,增加CBAM(convolutional block attention module)注意力机制,在精简模型提升检测速度的同时加强多尺度信息融合;最后采用K-means++IoU(intersection over union)算法对钢材缺陷数据集进行聚类,重新划定更适合钢材缺陷检测的候选框,降低随机初始化对模型的影响提升模型检测精度降低漏检率。得到改进后的YOLOv7-tiny网络结构如图2所示。

2.1 GSConv

卷积神经网络使用标准卷积(standard convolution,SConv)对输入数据的每个位置应用相同的卷积核,虽然能够有效地提取特征,但过度使用会增加计算复杂度造成特征冗余,从而影响模型的训练速度和性能。为克服此缺点,Li等^[24]提出了GSConv模块,模块由SC(standard convolution)、深度可分离卷积DSC(depth-wise separable convolution)和通道混洗(Shuffle)模块构成,结构如图3所示。

GSConv模块首先将输入通过标准卷积,接着进行深度可分离卷积,将两次卷积结果拼接起来,最后执行混洗操作得到输出信息。

其中深度可分离卷积由逐深度卷积和逐点卷积组成,旨在减少模型的计算量和参数数量,从而提高模型的计算效率和性能。逐点卷积,也称为1×1卷积,其主要作用是改变特征图的通道数。通过使用1×1的卷积核,逐点卷积能够在不改变特征图空间尺寸的情况下,对各个通道进行线性组合,从而实现通道间的信息交互。通道混洗将卷积组数和每个卷积组包含的通道数互换位置,可以改善模型的性能和泛化能力,增强特征的跨通道交流。

比较每种卷积操作所带来的参数量计算量,设输入通道个数为C₁,输出通道数为C₂,输出特征图的宽为W,高为H,卷积核大小为K×K,所以标准卷积下的参数量和计算量为

(1)P_SC=C₁×C₂×K×K

(2)F_SC=C₁×C₂×K×K×W×H

深度可分离卷积中深度卷积的卷积核尺寸为K×K×1,卷积核个数为C₁,所以参数量为K×K×C₁;逐点卷积的卷积核尺寸为1×1×C₁,卷积核个数为C₂,所以参数量为C₁×C₂;因此,深度可分离卷积的参数量和计算量为

(3)P_DSC=C₁×K×K+W×H

(4)F_DSC=C₁×K×K×W×H+C₁×C₂×W×H

可得公式为

(5)φ_F=

F D S C F S C

C 1 × K × K × W × H + C 1 × C 2 × W × H C 1 × C 2 × K × K × W × H

1 C 2

1 K × K

(6)F_DSC=

1 C 2 + 1 K × K

F_SC

一般情况下C₂较大,1/C₂可以忽略不计,K表示卷积核的大小,由式(6)可知,深度可分离卷积的参数量和计算量均下降为标准卷积的1/K²。因此,将标准卷积和深度可分离卷积组合使用,可极大程度降低网络参数量,简化模型。在特征融合网络中引入GSConv模块代替标准卷积模块,减少特征冗余降低计算量的同时增强非线性表达能力。

2.2 BiFPN

YOLOv7-tiny网络在特征融合层采用聚合网络(PANet)^[25]结构,仅将不同层次的特征转化后相加,容易造成特征信息的丢失。为了融合更多特征信息,提高模型检测精度,在YOLOv7-tiny网络结构中引入加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)^[26]网络结构。两种网络结构对比如图4所示。

BiFPN结构在去除单结点的情况下将同一层的输入节点与输出节点连接,再使用重复的双向融合的网络结构,有效实现双向交叉尺度连接和加权特征融合。BiFPN在特征金字塔相邻级别之间引入了双向连接,双向连接允许在两个方向上整合来自特征金字塔不同级别的信息,有助于更好地在不同尺度上捕获特征表示。而BiFPN通过为每个输入特征添加权重来优化特征融合过程,使得网络可以更加重视信息量更大的特征。以节点P₆为例,计算公式为

(7)${P}_{6}^{td}$=Conv$\left[\frac{{w}_{1}{P}_{6}^{in}+{w}_{2}Resize\left({P}_{7}^{in}\right)}{{w}_{1}+{w}_{2}+\epsilon }\right]$

(8)${P}_{6}^{out}$=Conv$\left[\frac{w\text{'}{ }_{1}{P}_{6}^{in}+w\text{'}{ }_{2}{P}_{6}^{td}+w\text{'}{ }_{3}Resize\left({P}_{5}^{out}\right)}{w\text{'}{ }_{1}+w\text{'}{ }_{2}+w\text{'}{ }_{3}+\epsilon }\right]$

式中:${P}_{6}^{out}$为P₆输出结果;w_i(i=1,2,3)为由网络训练得到的权值;${P}_{6}^{in}$、${P}_{7}^{in}$为输入节点P₆、P₇的输出特征;${P}_{6}^{td}$为P₆与P₇的融合提取特征;${P}_{5}^{out}$为输出节点P₅的输出特征;Resize为上采样操作;ε为偏差项。

2.3 SPPEC

空间金字塔池化SPP(spatial pyramid pooling, SPP)的提出使网络可以增强网络对目标物体不同尺寸的适应性,实现对不同尺寸图像的有效处理,提高检测准确性和鲁棒性。YOLOv7-tiny所采用的SPPCSPC模块是在SPP模块的基础上改进而来,虽然表现更优但参数量和计算量提升过大。为降低参数量提升检测速度,将原有SPPCSPC模块参照ELAN结构进行优化并加入注意力模块,提出改进后的SPPEC(SPPELAN-CBAM)模块。两者结构对比如图5所示。

SPPEC模块采用多个小型的池化层进行池化操作,减少了计算量,同时保持了多尺度特征融合的能力,有助于提高模型对物体尺度变化的鲁棒性。与原结构相比减少了卷积个数,有效提升计算速度。考虑精简结构之后可能导致特征信息丢失检测精度降低,因此在SPPELAN模块之后加入CBAM注意力模块^[27],提升特征提取能力。

CBAM作为轻量级的注意力模块,包括两个子模块:通道注意力模块(channel attention module,CAM)和空间注意模块(spartial attention module,SAM),结构图如图6所示。其中通道注意力模块增强每个通道的特征表达,空间注意力模块强调图像中不同位置的重要性。将其应用到YOLO网络模型中,可以提升YOLO网络模型在目标检测任务中的准确性,并且对计算量和参数量的影响很小。

在通道注意力模块中,对输入特征图的每个通道执行全局最大池化和全局平均池化操作,生成两个包含通道数的向量,分别表示每个通道的全局最大特征和平均特征。将这两个池化结果分别输入共享参数的两层全连接网络中,生成两个通道注意力向量。将得到的特征向量输入一个共享全连接层中。将两个通道注意力向量相加后,通过sigmoid函数激活,生成最终的通道注意力权重。最后,将原始特征图与通道注意力权重逐通道相乘,得到加权后的特征图。

在空间注意力模块中,对输入特征图在通道维度上进行平均池化和最大池化操作,将池化操作后得到的特征在通道维度上进行拼接,得到一个具有不同尺度上下文信息的特征图。将拼接后的特征图通过卷积层处理操作,通过Sigmoid函数激活得到空间注意力权重。最后,将输入特征图与空间注意力权重逐元素相乘,将得到的空间注意力权重应用于原始特征图,对每个空间位置的特征进行加权,可以突出重要的图像区域。

2.4 重新划定锚框

目标检测算法通常会对图像中的不同区域进行采样,判定采样区域是否含有目标,并预测目标的真实边界框。不同的算法有不同的区域采样方法,一般是以像素为中心,生成多个尺寸和比例不同的边界框,称为锚框。YOLOv7-tiny网络默认使用的原始锚框是由K-means算法对COCO数据集聚类获得的,并不能很好地适应钢材表面缺陷检测^[28]。且K-means算法随机选取k个初始值作为聚类中心,不利于得到全局最优值。因此本文中选择使用K-means++IoU算法在NEU-DET数据集上聚类得到更适合钢材表面缺陷检测的新描框,提高检测的准确性。K-means++IoU算法步骤如下:

(1)从数据集中随机选取一个样本作为初始的簇中心C₁。

(2)计算所有样本到现有簇中心的最短距离,记为D(x);接着计算所有样本作为后续簇中心的概率 ;最后,用轮盘法确定下一个簇中心。

(3)重复执行步骤(2),直到得到所设置K个簇中心为止。

(4)对于每个样本,计算其与每个簇的距离,使用1-IoU(bboxes, anchors)进行度量,将每个样本分配到离它最近的簇,之后根据簇内样本更新簇中心的位置。

(5)若簇内的样本没有变化,则停止迭代;否则,继续重复步骤(4)。

如表1所示为原始描框值和使用K-means++IoU算法得到的新锚框的长宽对比,由此可知原始的锚框值与K-means++IoU算法所生成的锚框值之间存在较大差距,重新得到的锚框值更符合钢材缺陷的尺寸分布。

3 数值、公式及变量

3.1 实验数据集

为了验证所提方法的有效性,选用东北大学提供的公开数据集NEU-DET(NEU surface defect database),其中收集了热轧带钢表面的6类典型缺陷:轧鳞(rolled-in scale,RS)、斑块(patches,Pa)、开裂(crazing,Cr)、点蚀/麻点(pitted surface,PS)、夹杂物(inclusion,In)、划痕(scratches,Sc)。每种类型缺陷各300个样本,共1 800张灰度图像,每张图像的原始分辨率为200像素×200像素,如图7所示。随机提取训练集、验证集和测试集比例为7∶2∶1。

3.2 实验配置和评价指标

实验环境如下:操作系统windows10,GPU为NVIDIA GEForce GTX 1050,深度学习框架Py-Torch1.11.0,CUDA版本为11.3。训练迭代200次,batchsize为64,初始学习率为0.01。

为定量判断分析YOLOv7-tiny对于钢材缺陷的检测效果,采用检测精度与速率作为模型的衡量指标,其中指标包含精确率P(precision)、召回率R(recall)、平均精度均值(mean average precision,mAP)、每秒检测帧数FPS(frames per second)、浮点运算次数GFLOPS(giga floating-point operations per second)以及且参数量(params),以上指标计算公式为

(9)P=

T P T P + F P

×100%

(10)R=

T P T P + F N

×100%

(11)AP=

∫ 01

PdR

(12)mAP=

∑ i = 1 N A P i N

(13)FPS=

N T

式中:TP为正类样本被正确预测的数量;FP为负类样本被错误预测的数量;FN为正类样本被错误预测数量;n为缺陷类别数;N为检测图片数量;T为模型检测的时间。

3.3 实验结果分析

3.3.1 替换GSConv对比实验

GSConv替换不同位置的标准卷积块的效果不同,替换主干部分的卷积块可能导致网络结构复杂化影响检测效果。为确定GSConv模块所替换的标准卷积块位置以得到最好的检测效果,在NEU-DET数据集上,针对以下3种情况进行对比实验,实验结果如表2所示。

实验结果由表2可知,替换全部卷积块后模型参数最小,但检测精度下降,对4个指标综合考虑,替换neck层时改进网络在具备检测能力的同时更利于轻量化部署。

3.3.2 重新划定描框对比实验

对YOLOv7-tiny给定的原始描框进行优化更新,使新描框更适合钢材表面缺陷检测。在NEU-DET数据集上进行验证实验,结果如表3所示。对比发现更合适的锚框设置可以更好地捕捉图像中的关键特征,使得网络模型在实际应用中的定位精度得到了提升。

3.3.3 消融实验

为评估各改进模块的重要性及其对模型整体性能的影响,进行消融实验,结果如表4所示。第1组模型为原始网络模型,mAP值为70.2%,模型参数量为6.02 M,权重大小为12.3 MB;第2组模型在特征融合网络中将部分Conv模块替换为GSConv结构,模型参数下降为4.39 M,权重下降为9.8 MB,证明GSConv有效减少了网络参数量和计算量;第3组模型mAP由70.2%提升为72.2%,上升了两个百分点,网络结构变化参数量增加至6.12 M,足以证明BiFPN网络的加权融合机制可以有效提高检测精度;第4组为使用改进SPPEC模块,参数量下降为5.69 M表明SPPEC模块轻量化效果好,同时mAP提升两个百分点,网络特征提取能力得到增强;第5组使用了K-means++聚类重新划定锚框,mAP提升了2.3%,这进一步说明了合适的锚框能够有效地提升检测效果和定位精度。综上所述,本文提出的改进后算法在NEU缺陷数据集上相较于原始的YOLOv7-tiny网络,在参数量降为原网络69%的同时,mAP提升了6.8个百分点,充分证明了4种改进方法的有效性。

3.3.4 对比实验

为证明改进算法在钢材缺陷数据集上的优势,将其与几种先进的目标检测算法进行对比,在NEU-DET数据集上将改进后网络与Faster R-CNN、SSD、YOLOv4-tiny、YOLOv5s、YOLOv6s、YOLOv7以及原始YOLOv7-tiny网络进行对比实验,实验结果如表5所示。

其中,Faster R-CNN、SSD算法检测精度高但模型参数过大不适用于实时监测;YOLOv4-tiny模型帧率最高,模型参数量小但召回率过低仅为29.45%; YOLOv6s和YOLOv7模型参数量和模型权重都较大模型对检测设备要求高,且帧率低检测速度不能满足实时性检测;YOLOv5网络的mAP达到75%但考虑轻量化网络模型,选择参数量更小的YOLOv7-tiny网络进行改进;改进后的YOLOv7-tiny网络参数量在原基础上进一步降低,mAP提升6.8%,参数量降为4.71 M,FPS提升为123,在工业领域部署更具优势。

分析网络对各类别缺陷具体改进效果,在NEU-DET数据集上对原始YOLOv7-tiny和改进后网络进行训练,训练结果如图8所示。改进后网络的钢材缺陷检测精度上升mAP提升了6.8%,其中划痕检测精度提升至95.6%,夹杂缺陷检测精度提升至85.3%,改进后网络对特征信息的提取能力得到加强。

如图9所示为检测效果的可视化结果比较。对比6种缺陷的检测情况可以看出,改进后的YOLOv7-tiny算法模型有效地提高了斑块和划痕的预测准确率,使原网络中开裂缺陷存在的误检和漏检现象得到改善,证明重新划定更适合钢材缺陷的锚框对提升网络检测性能是十分有效的。

4 结论

提出一种基于改进YOLOv7-tiny的钢材缺陷检测算法,有效平衡钢材表面缺陷精度和模型轻量化的问题。首先引入GSConv减少模型参数量和计算量;加入BiFPN结构提升模型特征融合能力;设计SPPEC模块精简网络结构提高网络对通道和空间信息的提取能力;最后重新划定锚框,有效改善部分缺陷与原始锚框不匹配导致检测精度低的问题。在NEU-DET数据集上验证其有效性,mAP值提升6.7%,参数量和计算量进一步降低,更满足工业检测需求。

但改进算法也存在不足之处,对麻点类缺陷的检测效果还有待提升、主干网络是否可以进一步轻量化降低计算量。针对这些问题,未来可以通过调整网络结构和尺寸、采用数据增强和优化训练等方法进一步优化,平衡检测精度和速度。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Czimmermann T, Ciuti G, Milazzo M, et al. Visual-based defect detection and classification approaches for industrial applications: a survey[J]. Sensors, 2020, 20(5): 1459.

[2]	杨传礼, 张修庆. 基于机器视觉和深度学习的材料缺陷检测应用综述[J]. 材料导报, 2022, 36(16): 226-234.

[3]	Yang Chuanli, Zhang Xiuqing. A review of material defect detection applications based on machine vision and deep learning[J]. Material Review, 2022, 36 (16): 226-234.

[4]	曹义亲, 伍铭林, 徐露. 基于改进YOLOv5算法的钢材表面缺陷检测[J]. 图学学报, 2023, 44(2): 335-345.

[5]	Cao Yiqin, Wu Minglin, Xu Lu. Steel surface defect detection based on improved YOLOv5 algorithm[J]. Journal of Graphic Science, 2023, 44(2): 335-345.

[6]	Cha Y J, Choi W, Buyukozturk O. Deep learning-based crack damage detection using convolutional neural networks.[J]Computer-Aided Civil And Infrastructure Engineering, 2017, 32(5): 361-378.

[7]	杨泽青, 张明轩, 陈英姝, 等. 基于机器视觉的表面缺陷检测方法研究进展[J]. 现代制造工程, 2023(4): 143-156.

[8]	Yang Zeqing, Zhang Mingxuan, Chen Yingshu, et al. Research progress on surface defect detection methods based on machine vision[J] Modern Manufacturing Engineering, 2023(4): 143-156.

[9]	Ren S Q, He K M, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 39(6): 1137-1149.

[10]	单明陶, 高玮玮, 杨亦乐, 等. 基于改进Faster R-CNN的刹车零件缺陷检测算法[J]. 国外电子测量技术, 2022, 41(4): 22-28.

[11]	Dan Mingtao, Gao Weiwei, Yang Yile, et al. Brake component defect detection algorithm based on improved Faster R-CNN[J]. Foreign Electronic Measurement Technology, 2022, 41(4): 22-28.

[12]	Zhao W, Chen F, Huang H, et al. A new steel defect detection algorithm based on deep learning[J]. Computational Intelligence and Neuroscience, 2021(1): 5592878.

[13]	Fu H, Song Q, Gong J, et al. Automatic detection and pixel-level quantification of surface microcracks in ceramics grinding: an exploration with Mask R-CNN and TransUNet[J]. Measurement, 2024, 224: 113895.

[14]	Redmon J, Divvala S, Girshick R, et al. You only look once:unified, real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE, 2016: 779-788.

[15]	Redmon J, Farhadi A. YOLOv3: an incremental improvement.[J]. arXiv Preprint, arXiv: 1804. 02767, 2018.

[16]	Bochkovskiy A, Wang C, Liao H. YOLOv4: optimal speed and accuracy of object detection.[J] arXiv Preprint, arXiv: 2004. 10934, 2020.

[17]	Guo Z, Wang C, Yang G, et al. MSFT-YOLO: improved YOLOV5 based on transforme for detecting defects of steel surface[J]. Sensors, 2022, 22(9): 3467.

[18]	Ge Z, Liu S, Wang F, et al. YOLOX: exceeding YOLO Series in 2021[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2022). New Orleans: IEEE, 2022: 2415-2424.

[19]	Wang C Y, Bochkovskiy A, Liao H Y M. YOLOv7: trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE Press, 2023: 7464-7475.

[20]	Li J Y, Su Z F, Geng J H, et al. Real-time detection of steel strip surface defects based on improved YOLO detection network[J]. IFAC-Papers on Line, 2018, 51(21): 76-81.

[21]	He Y, Song K, Meng Q, et al. An end-to-end steel surface defect detection approach via fusing multiple hierarchical features[J]. IEEE Transactions on Instrumentation and Measurement, 2019, 69(4): 1493-1504.

[22]	徐镪, 朱洪锦, 范洪辉, 等. 改进的YOLOv3网络在钢板表面缺陷检测研究[J]. 计算机工程与应用, 2020, 56(16): 265-272.

[23]	Xu Qiang, Zhu Hongjin, Fan Honghui, et al. Research on improved YOLOv3 network for defect detection on steel plate surface[J] Computer Engineering and Applications, 2020, 56 (16): 265-272.

[24]	马燕婷, 赵红东, 阎超, 等. 改进YOLOv5网络的带钢表面缺陷检测方法[J]. 电子测量与仪器学报, 2022, 36(8): 150-157.

[25]	Ma Yanting, Zhao Hongdong, Yan Chao, et al. Improved YOLOv5 network for surface defect detection of strip steel[J]. Journal of Electronic Measurement and Instrumentation, 2022, 36(8): 150-157.

[26]	Chen H, Du Y, Fu Y, et al. DCAM-Net: a rapid detection network for strip steel surface defects based on deformable convolution and attention mechanism[J]. IEEE Transactions on Instrumentation Measurement, 2023, 72: 112.

[27]	Wang R, Liang F, Mou X, et al. Development of an improved YOLOv7-based model for detecting defects on strip steel surfaces[J]. Coatings, 2023, 13: 536.

[28]	周孟然, 王昊男, 高立鹏, 等. 基于YOLOv5s-FCS的钢材表面缺陷检测[J]. 科学技术与工程, 2024, 24(14): 5901-5910.

[29]	Zhou Mengran, Wang Haonan, Gao Lipeng, et al. Steel surface defect detection based on YOLOv5s-FCS[J]. Science Technology and Engineering, 2024, 24(14): 5901-5910.

[30]	Lü B, Duan B, Zhang Y, et al. Research on surface defect detection of strip steel based on improved YOLOv7[J]. Sensors, 2024, 24, 2667.

[31]	Li H L, Li J, Wei H B, et al. Slim-neck by gsconv: a better design paradigm of detector architectures for autonomous vehicles[EB/OL]. arXiv Preprint, arXiv:2206. 02424. 2022.

[32]	Lin T Y, Dollsar P, Girshick R, et al. Feature pyramid networks for object detection[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2017: 2117-2125.

[33]	Liu S, Qi L, Qin H, et al. Path aggregation network for instance segmentation[J]. arXiv Preprint, arXiv: 18030. 1534, 2018.

[34]	Woo S, Park J, Lee J Y, et al. Cbam: convolutional block attention module[C]// Proceedings of the European Conference on Computer Vision (ECCV). New York: IEEE, 2018: 3-19.

[35]	洪毕辉, 李文彬, 朱炜, 等. 基于改进的YOLOv3-SPP算法目标检测研究[J]. 兵器装备工程学报, 2023, 44(4): 268-274.

[36]	Hong Bihui, Li Wenbin, Zhu Wei, et al. Research on object detection based on improved YOLOv3 SPP algorithm[J]. Journal of Weapon Equipment Engineering, 2023, 44(4): 268-274.