基于特征融合与轻量化网络的热轧带钢缺陷检测算法

巨乾坤; 侯红玲; 李相垚; 卞燕燕; 杨澳; 晋坚强

doi:10.12404/j.issn.1671-1815.2506411

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (29) :12714-12725 DOI: 10.12404/j.issn.1671-1815.2506411

自动化技术、计算机技术

基于特征融合与轻量化网络的热轧带钢缺陷检测算法

作者信息 +

Hot Rolling Strip Steel Defect Detection Algorithm Based on Feature Fusion and Lightweight Network

Author information +

文章历史 +

摘要

针对当前深度学习方法在检测热轧带钢表面缺陷时易出现多尺度特征检测精度不足、微小缺陷识别不佳的问题,提出了一种轻量级热轧带钢缺陷检测算法HGFD-YOLOv8。该算法创新之处在于:融合 HGnetv2与轻量级卷积LightConv重构特征提取网络,在减少参数量的同时优化特征提取能力;设计渐进式加权特征融合金字塔网络(gradient-weighted feature fusion pyramid network,GWFFPN),借助渐进式融合与动态加权策略,有效缓解非相邻层特征交互过程中的语义缺失问题;构建动态多尺度特征提取模块(dynamic multi-scale feature extraction module,DMF),嵌入同步注意力机制(simultaneous attention mechanism,SimAM)实现特征通道的动态分配,精准聚焦缺陷核心区域,显著提升微小缺陷识别性能。实验结果表明,相较于YOLOv8n基线模型,HGFD-YOLOv8算法在热轧带钢表面缺陷数据集NEU-DET上参数量减少31.2%,平均精度均值提升5.1%,精确率和召回率分别提高8.6%和5.4%。与YOLOv13、DEIM等检测算法相比,提出的缺陷检测算法具有更好的检测性能和工业应用价值。

Abstract

In response to the problems that current deep learning methods often fail to achieve sufficient accuracy in detecting multi-scale features and have poor performance in identifying minor defects when detecting surface defects of hot-rolled steel strips, a lightweight defect detection algorithm for hot-rolled steel strips, HGFD-YOLOv8, was proposed. The innovation of this algorithm lies in: integrating HGnetv2 and lightweight convolutional LightConv to reconstruct the feature extraction network, reducing the number of parameters while optimizing the feature extraction ability; designing a gradient-weighted feature fusion pyramid network (GWFFPN), leveraging the progressive fusion and dynamic weighting strategies to effectively alleviate the semantic loss problem in the process of feature interaction between non-adjacent layers; constructing a dynamic multi-scale feature extraction module (DMF), embedding the simultaneous attention mechanism (SimAM) to achieve dynamic allocation of feature channels, precisely focusing on the core area of defects, and significantly improving the performance of identifying minor defects. Experimental results show that compared with the baseline model YOLOv8n, the HGFD-YOLOv8 algorithm reduces the number of parameters by 31.2% on the NEU-DET dataset for hot-rolled steel strip surface defects, increases the mean accuracy by 5.1%, and improves the precision and recall rates by 8.6% and 5.4% respectively. Compared with detection algorithms such as YOLOv13 and DEIM, the proposed defect detection algorithm has better detection performance and industrial application value.

Graphical abstract

关键词

缺陷检测 / YOLOv8 / 特征融合 / 动态多尺度特征提取 / SimAM

Key words

defect detection / YOLOv8 / feature fusion / dynamic multi-scale feature extraction / SimAM

引用本文

引用格式 ▾

巨乾坤, 侯红玲, 李相垚, 卞燕燕, 杨澳, 晋坚强. 基于特征融合与轻量化网络的热轧带钢缺陷检测算法[J]. 科学技术与工程, 2026, 26(29): 12714-12725 DOI:10.12404/j.issn.1671-1815.2506411

JU Qian-kun, HOU Hong-ling, LI Xiang-yao, BIAN Yan-yan, YANG Ao, JIN Jian-qiang. Hot Rolling Strip Steel Defect Detection Algorithm Based on Feature Fusion and Lightweight Network[J]. Science Technology and Engineering, 2026, 26(29): 12714-12725 DOI:10.12404/j.issn.1671-1815.2506411

登录浏览全文

4963

注册一个新账户忘记密码

热轧带钢是钢铁工业的核心产品之一。广泛应用于汽车制造、建筑、机械制造等领域。然而材料性质和加工工艺等原因导致带钢表面产生裂纹、划痕、斑块等形状各异缺陷,进而会降低热轧带钢力学性能,影响工业产品的质量和使用寿命^[1]。因此,对热轧带钢表面缺陷检测进行研究有着重要意义,目前高效精准的钢表面缺陷检测已成为现代钢铁工业生产中的关键环节。

近年来,传统检测方法场景化局限突出:超声波检测^[2]依赖人工判读,对细裂纹等微小缺陷灵敏度低且受工件形状干扰;射线检测^[3]成本高、有辐射风险,不适用于大规模在线检测;磁粉检测^[4]仅适配磁性材料,操作烦琐且难以量化缺陷信息,整体检测周期长、一致性差。作为全球最大的钢铁生产和消费国,中国2024年粗钢年产量占全球总产量的50%以上,大型钢厂产线速度普遍达2~5 m/s,这对实时质检的效率和精度提出了严苛要求。在此背景下,基于深度学习的缺陷检测技术迅速被应用于工业质检环节。因其具有高的精度与推理速度,显著减少人力成本,同步提升产线效率与品控标准^[5-6]。在主流深度学习算法中,YOLO系列因实时性成为工业缺陷检测常用选择,但在热轧带钢场景仍存短板。以YOLOv8n模型为例,其传统卷积结构对带钢表面夹杂等复杂缺陷特征捕获不足;FPN(feature pyramid network)+PAN(path aggregation network)特征融合在非相邻层交互时易出现语义鸿沟,导致多尺度缺陷信息丢失;在轻量化设计中过度压缩特征维度,进一步削弱微小缺陷检测精度。目前众多学者对检测算法存在小目标缺陷识别困难和多尺度特征检测精度不足的问题进行了研究^[7],文献[8]在YOLOv5框架中设计CBF卷积模块,有效提升了网络的空间解析能力;然而该改进算法检测速度较慢。针对检测模型特征提取网络下采样期间很容易丢失细粒度特征导致带钢表面形状复杂缺陷检测精度下降的问题^[9],CSEPNet^[10]和路面裂缝检测(pavement crack detection,PCD)^[11]在骨干网络的各阶段以及不同分支部署多个特征提取模块来提升网络对小目标缺陷的提取能力,但随着网络层数的增加,计算开销和推理时间也随之大幅上升。针对传统多尺度特征融合方法未充分考虑非相邻特征间信息传递不足导致检测精度低的问题,文献[12]提出了特征增强模块(feature enhancement module, FEM),通过动态调整特征权重提升模型对带钢表面缺陷信息的关注度。但其模型的计算量仍然巨大,难以实时部署。文献[13]通过在多尺度特征融合结构上运用低计算成本的slim-neck范式设计,尽管该方法显著提升了推理速度,但其粗粒度的特征压缩策略以及特征融合依靠简单的拼接操作依旧会丢失关键纹理细节。上述研究虽在一定程度上改善了检测性能,但未能同时兼顾检测速度与精度。

根据实际检测场景需要,可直接落地于中低端边缘设备、适配多场景的低成本检测算法出发,提出一种轻量级热轧带钢检测算法HGFD-YOLOv8。通过优化网络架构并构建高效的特征融合网络,旨在保证检测速度的前提下提高检测精度。针对热轧带钢表面缺陷特征不明显、检测中存在特征提取能力不足等问题,对YOLOv8检测模型的特征提取、特征融合网络进行改进。通过引入HGNetv2网络来提高基线模型的特征提取能力;构建渐进式加权特征融合金字塔网络(gradient weighted feature fusion pyramid network,GWFFPN)来优化模型对非相邻层次特征交互导致的信息损失,提高模型的特征融合效果;设计轻量动态多尺度特征提取模块(dynamic multi-scale feature extraction module,DMF)来实现模型轻量化,同时优化特征分配比例来平衡低阶和高阶特征的提取,加强模型网络对小目标缺陷的提取能力。

1 YOLOv8算法

YOLOv8n是YOLO系列中经典的检测模型,延续YOLO实时检测优势,并提供了n/s/m/l/x共5种不同尺度的模型,模型参数量依次增加^[14-15]。由于热轧带钢缺陷检测需同时兼顾精度和速度,所以选用YOLOv8n网络作为基线模型进行改进。其在输入端运用Mosaic增强技术来丰富训练数据集,提升了小目标的检测能力。特征提取网络包含CBS(convolution-batch normalization-SiLU)、C2f、SPPF(spatial pyramid polling-fast)模块,通过残差连接设计对梯度流进行优化,增强深层网络的梯度传播,提升了网络性能。特征融合网络由FPN+PAN等结构构成^[16],保证深层特征具有丰富的定位信息和语义信息。Anchor-Free检测头可以直接预测目标中心与尺寸,简化模型并减少超参数调优,有效提升网络性能。

2 算法改进

针对当前检测模型在处理热轧带钢表面缺陷时易出现多尺度特征检测精度不足和检测微小缺陷表现不佳、模型计算量大等问题,对基线模型在特征提取网络和特征融合网络进行了3个方面的改进,提出了一种精度更高、更轻量的算法HGFD-YOLOv8,其结构如图1所示,输出端数字为置信度。

2.1 Light HGnetv2 轻量级网络

在热轧带钢缺陷检测任务中,小目标缺陷在特征提取时易丢失信息,导致检测精度较差,容易出现漏检、误检的情况。其次,由于基线模型特征提取网络采用少量的卷积结构,这对于热轧带钢缺陷特征提取是不利的^[17]。针对上述问题,引入RT-DETR模型的HGNetv2来作为基线模型的特征提取网络^[18]。该网络的核心为HGBlock层(并联的卷积模块与通道压缩解压模块),该模块经过巧妙设计,以分层方式处理数据。这种设计允许网络从低级和高级特征中学习,增加对输入数据的丰富、多维的理解。每个HGBlock处理数据的不同抽象层次,不仅提高了模型的检测能力,还显著优化了计算资源的利用,使其在实时应用中表现出色。

考虑到HGNetV2中HGBlock块利用大量的卷积处理会显著增加参数量,为了同时兼顾模型大小和精确度,引入轻量级卷积LightConv层取代HGBlock中传统的卷积层来集成HGNetV2,用于减少模型的计算量和内存的消耗。LightConv首先将原有的卷积层替换为分组数为g的1×1卷积层,可以显著地调整特征图的通道数,为后续操作提供灵活的输入。改进后的LightHGNetv2网络结构如图2所示。

对于输入通道数为C₁,输出通道数C₂,以及卷积核的大小为K×K的普通Conv结构其总参数量为

(1)C₁K²C₂+C₂

计算总量为

(2)C₁K²C₂HW+(C₁K²-K²+1)C₂HW

而在LightConv结构中,首个二维卷积的卷积核大小为1×1,之后通过卷积核的大小为K×K深度可分离卷积。因此总参数量为

(3)C₁×1×1×C₂+C₂+g$\frac{{\mathit{C}}_{2}}{\mathit{g}}$K²$\frac{{\mathit{C}}_{2}}{\mathit{g}}$+C₂=$\left({\mathit{C}}_{1}+2+\frac{{\mathit{K}}^{2}{\mathit{C}}_{2}}{\mathit{g}}\right)$C₂

计算总量为

(4)2C₁C₂HW+2K²HW$\frac{{\mathit{C}}_{2}^{2}}{\mathit{g}}$+(1-K²)C₂HW=C₂HW$\left[2{\mathit{C}}_{1}^{2}2+2{\mathit{K}}^{2}\frac{{\mathit{C}}_{2}}{\mathit{g}}+(1-{\mathit{K}}^{2})\right]$

在基准网络架构中,通道数至少为16,当分组卷积满足输入输出通道数相等且与分组数一致(即分组数等于输入输出维度)时。LightConv在保持同等参数配置的前提下,轻量化后的参数量和计算量都约为 Conv 模块的$\frac{1}{{\mathit{K}}^{2}}$+$\frac{1}{{\mathit{C}}_{1}}$倍。

2.2 渐进式加权特征融合金字塔网络

多尺度特征提取常采用经典的特征金字塔网络,分为自上而下和自下而上两种策略。这种设计在处理热轧带钢表面缺陷时,尽管提升了模型尺寸适应性,但非相邻层次间的特征交互可能导致信息损失或降级,使高级语义信息或低级特征信息在传播和交互中丢失或退化^[9]。这将导致带钢表面形状复杂的缺陷检测精度下降。

针对上述问题,设计了渐进式加权特征融合金字塔网络来改进YOLOv8n的颈部特征融合网络,以提升热轧带钢表面缺陷检测模型对多尺度缺陷的识别性能,结构如图3所示。通过非相邻层次之间的直接交互操作以及引入加权特征融合机制(Concat-BiFPN)^[19],有效地克服了传统特征金字塔网络的局限性。

步骤1 选取输入。从特征提取网络(BackBone)中提取多级特征图,具体包括如P₃、P₄、P₅等多尺度特征。这些特征图不仅涵盖了热轧带钢表面较低层次的详尽细节特征,而且融入了较高层次的丰富语义信息。

步骤2 渐进式特征融合。首先将两个相邻层次的低层特征进行融合,并逐步将高层特征加入融合过程中。通过这种方式使不同级别特征的语义信息在渐进融合过程中更加接近,以避免非相邻级别之间较大的语义鸿沟。

步骤3 加权特征融合(Concat-BiFPN)。结构如图4所示,用于整合来自不同尺度的特征图。它通过加权求和多个输入特征图,并自动学习加权系数来控制不同尺度特征的贡献度,以确保在融合过程中具有区分性的特征能够得到较大的权重,从而增强网络对热轧带钢表面缺陷多尺度信息的捕获能力。

渐进式加权特征融合金字塔网络(GWFFPN)提取多层次特征,使融合网络融入了较高层次的丰富语义信息,采用渐进式特征融合方式对非相邻层间信息丢失问题有显著解决,通过加权特征融合机制操作,自动学习加权系数来确保在融合过程中有区分性的特征能够得到较大的权重,可以有效地识别带钢表面复杂缺陷的多尺度特征。

2.3 动态多尺度特征提取模块

神经网络在热轧带钢缺陷检测中倾向于强化低阶特征,限制高阶语义提取,导致缺陷特征表征不足,检测精度骤降。通过结构设计验证了神经网络存在强化低阶特征的倾向,这会限制对高阶语义信息的提取,导致目标特征的检测精度不足,尤其在处理热轧带钢中的微小缺陷时表现尤为明显。针对这一问题,设计DMF模块,核心思想是优化特征分配比例,平衡低阶和高阶特征的提取,从而解决带钢缺陷小目标特征提取不足的问题,提升检测精度。

在同一特征提取层下,将低中高阶特征按通道比例分配,再按通道维度叠加并与主干相乘更新权重,从而让网络对高低阶特征有不同的关注度,并从特征提取可视化图中分析不同比例对神经网络特征提取的影响。其结构如图5所示。

由可视化图6可知,在同一特征提取层下,随着低阶特征占比越小,提取图片的语义信息越丰富,证明神经网络存在更倾向于低阶特征的现象。鉴于此,设计了DMF模块,旨在解决热轧带钢缺陷小目标特征提取不足的问题。

如图7所示,DMF模块按通道维度平均分配输入特征:其中一半通过3×3卷积进行特征提取;一半先经1×1卷积调整通道数,再流经3×3可变形卷积(DCNv2)获取形变感知特征,两分支特征聚合后,通过残差连接将特征图进行融合,从而有效扩大模型的感受野,使其提取到更为复杂的特征,通过这种方式模型能够更好地学习热轧带钢表面缺陷特征的信息。再结合3×3卷积提取缺陷的小目标特征,上述部分计算过程如下。

(5)X₁=CBS3×3{Concat[CBS3×3(X)],[CBS3×3(X)],1)}

随后通过动态分配模块(Dr)生成动态通道权重,将动态比例与更新权重后的特征通道数相乘,达到动态分配低中高阶特征的目的,计算原理为

(6)[w₁,w₂,w₃]=Softmax[Linear(X₁)]

再将分配的权重通过3个分支聚合以减轻网络对低阶特征的强化效果,使提取图片的语义信息更加丰富,其结果可以表达为

(7)X₂=Concat{w₁(X₁),w₂DWConv[3×3(X₁)],w₃DWConv[5×5(X₁)],1}

将3个分支聚合后的特征与通过通道注意力SimAM和标准卷积提取后的特征图进行点乘更新权重,增强神经网络小目标特征的提取能力,因此最终输出可以表示为

(8)Out=SimAM(X₂)X₁

热轧带钢小目标缺陷一直是检测的难点,热轧带钢缺陷的灰度三维视图信息可以直观看到灰度在空间中呈现出目标的灰度值分布是以中心的峰值向四周逐渐降低的趋势,类似于高斯函数的形状。如图8所示。

针对上述现象,在DMF模块中引入SimAM(simple parameter-free attention module for convolutional neural networks)注意力机制。结构如图9所示,SimAM注意力模块无需任何可学习的参数,能够计算每个缺陷位置的权重,以重点关注灰度值明显的峰值区域,即裂纹边缘、夹杂、划痕边界等灰度突变区域,这些区域正是缺陷与背景的核心区分特征。其显著性越高,对应的注意力权重也越大,实现精准的特征选择,使模型能够专注于包含更多判别信息的区域,同时抑制背景纹理、轻微氧化等无关噪声的干扰。

DMF模块通过在同一特征提取层下按通道比例分配低中高阶特征,叠加后与主干相乘更新权重,实现网络对高低阶特征的差异化关注;输入特征按通道均分两分支,分别经过普通卷积和可变形卷积(DCNV2Bottlenck)结构进行特征提取后聚合,再通过残差连接融合以扩大感受野;动态分配模块生成动态通道权重,经三分支聚合减轻对低阶特征强化,使语义信息更丰富。同时结合SimAM注意力机制,进一步锁定缺陷的核心特征(如裂纹方向、夹杂的轮廓和划痕的灰度梯度等),显著提升小目标缺陷特征的提取能力。特征分配比例对比可视化图(图6)验证了神经网络强化低阶特征的倾向,为模块设计提供依据;小目标缺陷灰度三维视图(图8)显示其灰度分布呈高斯状,进一步支持SimAM对关键区域的关注作用。

3 实验分析

3.1 实验准备

3.1.1 实验数据集

使用东北大学开源的NEU-DET热轧带钢表面缺陷数据集对算法进行测试与训练,缺陷类别如图10所示。

该数据集由1 800张图片组成,图片分辨率为200×200。缺陷种类分为裂纹(crazing)、夹杂(inclusion)、斑块(patch)、压入氧化(rolled-in_scale)、麻点(pitted_surface)和划痕(scratch) 6种。

3.1.2 实验环境及参数配置

实验中所有YOLO模型的输入图像大小为200×200,批样本大小为32,最大迭代次数为300。如果在50次迭代中未见性能提升,则提前终止训练。优化器为随机梯度下降(stochastic gradient descent,SGD)。超参数与YOLOv8官方核心超参保持一致,动量参数为0.937,初始学习率为0.01,权重衰减系数为0.01,后续实验所有条件均保持一致,实验环境如表1所示。

3.1.3 评价指标

实验中选用6种指标评判模型算法的性能,分别为平均精度值 (mean average precision,mAP)、召回率(recall,R)、准确率 (precision,P)、刷新率 (frames per second,FPS)、计算量(FLOPs)和参数量(parameters)。准确率指所有预测正确的样本占所有样本的比例,表示模型检测的准确程度;召回率表示检测正确样本占应该被正确检测到的样本的比例;mAP表示检测网络的综合性能,其中mAP_0.5表示交并比阈值为0.5时的平均精度均值;FPS用来反映网络检测速度;Parameters表示模型的参数量,单位为M,即10⁶;FLOPs表示在模型运行时所涉及的浮点运算量,它用来反映模型复杂程度,单位为G,即10⁹。为验证改进模型在精度、mAP_0.5和召回率指标上的提升并非随机因素导致,每组实验采用5次平行实验结果进行配对t检验(paired t-test),对改进前后数据进行显著性分析,设定显著性水平α=0.05(严格标准)。

3.2 对比实验

3.2.1 不同Neck结构效果对比实验

为验证所构建GWFFPN的改进算法对带钢表面缺陷的检测效果,选取了缺陷检测主流网络YOLOv8n、ASF-YOLO(SSFF+TFE)^[20]、DAMO-YOLO(RepGFPN)^[21]、Gold-YOLO(Gold)^[22]、RT-DETR(CCFM)^[23]、MFDS-DETR(HS-FPN)^[24]、Slim-Neck(VoVGSCSP)^[25]和AFPN^[9]网络,将主流优秀Neck结构替换基线模型YOLOv8n的Neck结构在NEU-DET数据集上进行性能对比实验,实验环境和参数均保持一致。对比结果如表2所示。可知,本文算法的精度提升2.8%,且在参数量略微减少的情况下。

3.2.2 改进点消融实验

为了验证所提出的3个改进方面对模型整体性能的影响,以YOLOv8n作为基线模型设置了8组实验,实验均保持相同的环境和参数设置,其结果如表3所示。由表3数据可知,每个单独的部分对于检测精度都有2.8%~3.0%的提升。经配对t检验,各个改进部分在单独作用时,mAP_0.5较基线模型的提升均具有统计学极显著性(P<0.01),表明改进效果并非随机波动。第二组在替换特征提取网络后对模型的提升效果最为明显,其mAP_0.5达75.6%(P<0.01),表明该模块能增强特征提取网络对缺陷特征的捕捉,有效解决了梯度消失问题,有助于提升模型的训练稳定性和收敛速度。在引入特征提取网络和DMF模块后,不仅平均精度提高了3.9%,而且参数量减少约26.3%,其原因在于DMF模块减少了冗余特征,提高了计算效率。最后加入各个改进模块,即为最终模型,其精度相比基线模型提升了5.1%,达到77.7%(P<0.01),参数量减少31.2%,检测速度为115帧/s,统计检验结果进一步验证了本文算法的有效性和可靠性。

3.2.3 改进前后平均精度对比

为了验证本文算法对于热轧带钢表面各类型缺陷的检测效果,将基线模型YOLOv8n和HGFD-YOLOv8在实验环境相同的条件下,对比热轧带钢的各类型缺陷的平均精度,对比结果如图11所示。可以看出,本文算法在各类型缺陷中均有良好的检测精度。其中裂纹、嵌入氧化小目标缺陷提升效果最大,裂纹的平均精度提高22.2%,嵌入氧化和麻点的平均检测精度分别提高6.8%和6.7%。

3.2.4 不同算法对比实验

为了进一步验证优化后算法的检测性能,将本文算法在NEU-DET数据集上进行对比,实验过程中参数和环境均保持一致,实验选用具有代表性的SDD以及近几年YOLO系列经典的算法模型YOLOv7-tiny、YOLOv10n、YOLOv11n、YOLOv13n和DEIM^[27]进行对比。实验结果如表4所示。

由对比实验结果可知,改进模型除计算量外其余指标均为最优值。这表明改进模型不仅在检测精度上优于其他算法,并且在模型参数量上也是该系列目前最轻量化的模型,拥有不错的检测速度以及良好的实时检测性能;可以满足实时检测的需求。

3.2.5 通用性对比实验

为了验证改进模型的泛化效果,该模型可以适用于不同的工业环境。在工业级的GC10-DET钢材表面缺陷数据集、DAGM2007数据集和自建的干涉配合铆接缺陷专属数据集^[28]上进行通用性对比实验,其中DAGM 2007包含10种工业纹理缺陷;GC10-DET包含Pu、Wl、Cg、Ws、Os、Ss、In、Rp、Cr和Wf缺陷;RD-DET的缺陷种类包括Deflect、Incomplete、Craze和Omissive。IFR-Defect是干涉配合铆接缺陷检测的专属数据集,包含正常铆接及镦头开裂、偏斜、未完全铆接、漏铆四类缺陷,如图12所示。经裁剪、翻转等数据增广(引入高斯噪声、脉冲噪声和数据缺失模拟工业采集环境干扰)及人工标注处理。实验数据集具体的参数信息如表5所示。

改进前后算法不同指标的对比结果如表6所示。改进算法相较于基线模型在计算量减少31.2%的情况下,mAP_0.5和P与基线模型相比均存在显著差异,其中在DAGM2007和IFR-Defect数据集上平均检测精度和精确度均稳定提升,达到极显著水平(P<0.01)。跨数据集验证结果表明,本文算法具有较好的泛化能力,可适配不同工业缺陷检测场景。

3.3 实验结果验证

3.3.1 改进前后检测效果对比

为了验证算法模型的性能,从测试集中随机选取各个种类缺陷图片来对模型进行直观验证,非极大值抑制(non-maximum suppression,NMS)设置为0.45,置信度阈值为0.3,实验结果如图13所示。可以看出,本文模型相比于基线模型极大地提升了对小目标缺陷的检测能力,漏检和误检的问题显著减少。

3.3.2 终端部署验证

为了验证所提出的钢表面缺陷检测模型在实际工业场景中的实用价值,构建了自制的实时检测系统,包括传送带、工业相机、环形灯和NVIDIAGTX1650计算单元,如图14所示。使用自行开发的铆接钢缺陷数据集(IFR-Defect)进行了部署实验。

由表7数据可知,在1 080 pixel分辨率和30帧/s实时检测条件下,以0.3的交并比(IoU)阈值,对四类典型缺陷进行检测,平均检测精度达到97%。平均耗时约14 ms,远低于30帧/s帧率要求的单帧最大允许耗时(约33 ms),完全满足实时检测需求。

4 结论

(1)在特征提取网络中,针对热轧带钢表面小缺陷特征提取不明显的问题,采用HGNetv2作为特征提取网络,并引入LightConv轻量级卷积替代传统卷积,显著减少了模型的参数量,平均精度均值提高3.0%,优化了特征提取网络对表面缺陷特征的提取能力。

(2)在特征融合网络中,针对传统特征金字塔网络在处理热轧带钢表面缺陷数据集时存在的非相邻层次特征交互导致的信息损失问题,构建了渐进式加权特征融合金字塔网络(GWFFPN)。有效解决了传统网络的局限性,平均精度均值提高2.6%。

(3)针对在热轧带钢缺陷检测任务中神经网络对低阶特征的过度强化问题,构建了轻量多尺度特征提取模块(DMF)。结合普通卷积和可变形卷积(DCNV2Bottlenck)结构进行特征提取,加入残差连接扩大感受野,并通过动态分配网络低中高阶特征通道比例,再聚合后与主干网络点积运算更新权重,达到缓解神经网络过度强化低阶特征,并结合SimAM 注意力机制共同增强网络对小目标缺陷的提取能力。

通过上述改进,本文算法在NEU-DET数据集上的全类平均精度均值达到77.7%,参数量和计算量分别为2.07M和8.0G,检测速度达到115帧/s。在GC10-DET、DAGM2007及IFR-Defect数据集上表现出良好泛化性,可适配不同的工业生产场景;该算法通过轻量化设计可直接部署于中低端边缘设备,降低算法的部署成本;14 ms单帧推理耗时可以满足工业现场实时检测需求,相比于主流目标检测算法有着较好的综合检测性能。

但仍然存在以下不足,其一,在裂纹、压入氧化缺陷的检测精度方面仍有提升空间;其二,在大规模数据集训练中,模型缺乏高效与加速机制,训练周期长。未来的研究将集中于提高该两类缺陷的检测精度,同时探索基于少样本缺陷检测,设计协同更新架构以实现产线新增缺陷样本的实时同化学习,适应动态演进的工业环境,应对工业场景中快速变化的缺陷模式。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Liu G H, Ma Q W. Strip steel surface defect detecting method combined with a multi-layer attention mechanism network[J]. Measurement Science and Technology, 2023, 34(5): 055403.

[2]	杨琛. 超声检测技术研究进展[J]. 流体测量与控制, 2022, 3(3): 8-10.

[3]	Yang Chen. Research progress in ultrasonic detection technology[J]. Fluid Measurement and Control, 2022, 3(3): 8-10.

[4]	Kim D, Yu D, Sawant A, et al. Remote detection of radioactive material using high-power pulsed electromagnetic radiation[J]. Nature Communications, 2017, 8: 15394.

[5]	王晓蕾, 姬治岗, 郭向前, 等. 煤矿机械装备维修再制造无损检测技术现状及发展趋势[J]. 科学技术与工程, 2021, 21(2): 423-433.

[6]	Wang Xiaolei, Ji Zhigang, Guo Xiangqian, et al. Current status and development trends of non-destructive testing technology for maintenance and remanufacturing of coal mining machinery equipment[J]. Science Technology and Engineering, 2021, 21(2): 423-433.

[7]	Li W H, Zhang H O, Wang G L, et al. Deep learning based online metallic surface defect detection method for wire and arc additive manufacturing[J]. Robotics and Computer-Integrated Manufacturing, 2023, 80: 102470.

[8]	任长安. 小波分析在锚杆无损检测中的应用[J]. 水科学与工程技术, 2024(1): 78-80.

[9]	Ren Chang'an. Application of wavelet analysis in non-destructive testing of anchor bolts[J]. Water Science and Engineering Technology, 2024(1): 78-80.

[10]	宋育斌, 孔维宾, 陈希, 等. 钢材表面缺陷检测研究综述[J]. 软件导刊, 2024, 23(3): 203-211.

[11]	Song Yubin, Kong Weibin, Chen Xi, et al. Review of research on surface defect detection in steel[J]. Software Journal, 2024, 23(3): 203-211.

[12]	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.

[13]	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.

[14]	Yang G, Lei J, Zhu Z, et al. AFPN: asymptotic feature pyramid network for object detection[C]// 2023 IEEE International Conference on Systems, Man, and Cybernetics (SMC). Honolulu: IEEE, 2023: 2184-2189.

[15]	Ding T, Li G, Liu Z, et al. Cross-scale edge purification network for salient object detection of steel defect images[J]. Measurement, 2022, 199: 111429.

[16]	Wen X, Li S, Yu H, et al. Multi-scale context feature and cross-attention network-enabled system and software-based for pavement crack detection[J]. Engineering Applications of Artificial Intelligence, 2024, 127: 107328.

[17]	计忠平, 林晨伟, 何志伟, 等. 集成全局局部感知与分层特征融合的带钢表面缺陷检测[J]. 计算机工程与应用, 2026, 62(4): 373-381.

[18]	Ji Zhongping, Lin Chenwei, He Zhiwei, et al. Steel strip surface defect detection integrating global and local perception and hierarchical feature fusion[J]. Computer Engineering and Applications, 2026, 62(4): 373-381.

[19]	Lu M, Sheng W, Zou Y, et al. WSS-YOLO: an improved industrial defect detection network for steel surface defects[J]. Measurement, 2024, 236: 115060.

[20]	Sohan M, Sai R T, Rami R C V. A review on YOLOv8 and its advancements[C]// International Conference on Data Intelligence and Cognitive Informatics. Singapore: Springer Singapore, 2024: 529-545.

[21]	Panboonyuen T, Thongbai S, Wongweeranimit W, et al. Object detection of road assets using transformer-based YOLOX with feature pyramid decoder on thai highway panorama[J]. Information, 2021, 13(1): 5.

[22]	Ahmed K, Torresani L. Star-caps: capsule networks with straight-through attentive routing[J]. Advances in Neural Information Processing Systems, 2019, 32: 9098-9107.

[23]	胡名琪, 陈辉明, 徐伟, 等. 融合MobileNetv3的轻量级YOLOv8钢材表面缺陷检测[J]. 科学技术与工程, 2025, 25(16): 6831-6840.

[24]	Hu Mingqi, Chen Huiming, Xu Wei, et al. Lightweight YOLOv8 steel surface defect detection with MobileNetv3 integration[J]. Science Technology and Engineering, 2025, 25(16): 6831-6840.

[25]	Wang C Y, Bochkovskiy A, Liao H Y. 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 (CVPR). Vancouver: IEEE, 2023: 7464-7475.

[26]	Li T, Zhang Y, Li Q, et al. AB-DLM: an improved deep learning model based on attention mechanism and BiFPN for driver distraction behavior detection[J]. IEEE Access, 2022, 10: 83138-83151.

[27]	Kang M, Ting C M, Ting F F, et al. ASF-YOLO: a novel YOLO model with attentional scale sequence fusion for cell instance segmentation[J]. Image and Vision Computing, 2024, 147: 105057.

[28]	Xu X, Jiang Y, Chen W, et al. DAMO-YOLO: a report on real-time object detection design[PP/OL]. arXiv, (2022-11-28)[2026-07-28]. https://arxiv.org/abs/2211.15444.arXiv:2211.15444.

[29]	Wang C, He W, Nie Y, et al. Gold-YOLO: efficient object detector via gather-and-distribute mechanism[J]. Advances in Neural Information Processing Systems, 2023, 36: 51094-51112.

[30]	Wang R, Zhang Y, Peng L, et al. An efficient and precise fire detection model based on improved RT-DETR[C]// 2024 International Conference on Image Processing, Computer Vision and Machine Learning (ICICML). Shenzhen: IEEE, 2024: 1563-1567.

[31]	Chen Y, Zhang C, Chen B, et al. Accurate leukocyte detection based on deformable-DETR and multi-level feature fusion for aiding diagnosis of blood diseases[J]. Computers in Biology and Medicine, 2024, 170: 107917.

[32]	Wang Y. An improved model based on RT-DETR for remote sensing object detection[C]//2024 6th International Conference on Frontier Technologies of Information and Computer (ICFTIC). Qingdao: IEEE, 2024: 836-840.

[33]	梁礼明, 龙鹏威, 冯耀, 等. 改进轻量化VTG-YOLOv7-tiny的钢材表面缺陷检测[J]. 光学精密工程, 2024, 32(8): 1227-1240.

[34]	Liang Liming, Long Pengwei, Feng Yao, et al. Improved lightweight VTG-YOLOv7-tiny for steel surface defect detection[J]. Optical Precision Engineering, 2024, 32(8): 1227-1240.

[35]	Huang S, Lu Z, Cun X, et al. DEIM: DETR with improved matching for fast convergence[PP/OL]. arXiv, (2024-12-05)[2026-07-28]. https://arxiv.org/abs/2412.04234.arXiv:2412.04234.

[36]	朱康凯, 侯红玲, 杨澳, 等. 干涉配合铆接缺陷检测方法研究[J]. 塑性工程学报, 2025, 32(2): 96-104.

[37]	Zhu Kangkai, Hou Hongling, Yang Ao, et al. Research on defect detection methods for interference-fit riveting[J]. Journal of Plastic Engineering, 2025, 32(2): 96-104.

基金资助

陕西省重点研发计划项目(2025CY-YBXM-019)

陕西理工大学博士人才启动项目(SLGRCQD041)

PDF (16268KB)

访问

被引

详细

导航

Received	Published	Revised
2025-09-04	2026-10-18	2026-01-31
Online Date
2026-10-30

摘要