基于深度學習的型鋼表面多形態(tài)微小缺陷檢測算法

劉亞姣，于海濤*，王江，于利峰，張春暉

（1.天津大學電氣自動化與信息工程學院，天津 300072；2.河北津西鋼鐵集團股份有限公司，河北唐山 064302）

0 引言

型鋼是基礎設施建設中的重要鋼材，廣泛應用于工業(yè)建筑的鋼結(jié)構(gòu)及橋梁、海洋采油平臺、輸電線路等領域。在型鋼生產(chǎn)過程中，由于生產(chǎn)工藝和現(xiàn)場條件的復雜性，型鋼表面存在多種類型的缺陷，一般表現(xiàn)為剝落、結(jié)疤、劃傷和擊傷等。這些表面缺陷嚴重影響了型鋼的質(zhì)量，造成產(chǎn)品使用壽命的降低甚至引發(fā)安全事故。因此，型鋼表面的缺陷檢測是型鋼生產(chǎn)過程中的重要環(huán)節(jié)［1-2］。

傳統(tǒng)鋼材表面缺陷檢測包括人工檢測、渦流檢測、漏磁檢測、紅外檢測及超聲波檢測技術［3］。人工檢測容易出現(xiàn)缺陷漏檢等弊端，耗時耗力。而渦流漏磁等檢測技術受型鋼表面狀態(tài)及環(huán)境因素的影響較大，且檢測速度較慢，難以滿足高速、高質(zhì)量型鋼表面缺陷檢測的需要。

近幾年來，深度學習發(fā)展迅速，基于卷積神經(jīng)網(wǎng)絡的目標檢測算法因其強大的特征表達優(yōu)勢和建模能力，已成為表面缺陷檢測的有效手段［4］。目前，基于卷積神經(jīng)網(wǎng)絡的缺陷檢測算法從結(jié)構(gòu)上一般可劃分為以Faster R-CNN（Faster Region-based Convolutional Neural Network）［5］為代表的兩階段算法和以YOLO（You Only Look Once）［6］為代表的一階段算法。YOLO 系列相較于Faster R-CNN 二階段算法利用了回歸的思想，使用一階段網(wǎng)絡直接完成分類與位置定位兩個任務，速度較快，因此在實時檢測系統(tǒng)中應用廣泛：文獻［7］將高實時性YOLOv3［8］算法應用于路面破損的檢測和分類中，識別率達到73.64%，單張?zhí)幚頃r間僅0.034 s；文獻［9］利用YOLOv3 算法實現(xiàn)了鋼軌表面的缺陷檢測，識別率達到97%，識別時間約為0.15 s，具有良好的適用性；文獻［10］在YOLOv3 基礎上提出一種檢測冰箱金屬表面缺陷的Metal-YOLOv3 算法，通過優(yōu)化損失函數(shù)和選取合適的先驗框提升檢測精度；文獻［11］采用極限學習機算法作為目標檢測的特征提取網(wǎng)絡，提出一種Faster-YOLO 目標檢測算法，檢測速度較YOLOv3 模型提高2 倍。上述研究在YOLO 算法的應用拓展、檢測效率提高等方面做了許多工作，驗證了該算法在實時缺陷檢測領域的有效性，但采用YOLO 算法存在無法同時檢測出全部缺陷目標，難以檢測相對集中且較小的缺陷目標，難以保存小缺陷目標特征等問題［12-13］。

而型鋼表面缺陷具有形態(tài)多樣、微小缺陷較多的特點。因此，本文選擇兼顧檢測速度與精度的YOLOv3 算法作為基礎框架，針對型鋼表面缺陷檢測的具體特點進行改進，提出了Steel-YOLOv3 檢測算法，在實現(xiàn)型鋼表面缺陷的實時在線檢測基礎上，解決由于型鋼缺陷形態(tài)各異且微小缺陷眾多造成的檢測難題。該算法能夠?qū)崿F(xiàn)對型鋼表面缺陷的精確檢測，可實際應用于型鋼生產(chǎn)過程。

本文的主要工作如下：

1）針對型鋼表面缺陷設計了Steel-YOLOv3 檢測算法，算法檢測性能好，實用性強；

2）提出多尺度-密集特征金字塔網(wǎng)絡（Multi-scale Dense Feature Pyramid Network，M-DFPN）框架，增強對多尺寸，尤其是密集微小尺寸缺陷的檢測能力。

1 YOLOv3型鋼缺陷檢測

1.1 YOLOv3檢測算法

作為當前主流的目標檢測算法，YOLOv3 算法采用由5個殘差模塊組成的Darknet53 網(wǎng)絡［14］作為特征提取主干網(wǎng)絡，每個殘差模塊由多個小殘差單元順序連接。每個殘差單元包括2 個CBL（Conv+BN+Leaky ReLU）模塊和1 條殘差邊，殘差邊的引入有效解決了由于網(wǎng)絡加深造成的梯度消失問題。每個CBL 模塊包括卷積層（Convolution）、批處理歸一化（Batch Normalization，BN）層和帶泄露線性整流函數(shù)（Leaky Rectified Linear Unit，Leaky ReLU）3 個組件，各組件之間組合為殘差連接方式。特征提取網(wǎng)絡共產(chǎn)生3 種不同尺度的特征圖，YOLOv3 算法為每種尺度設定3 個先驗框，經(jīng)聚類算法優(yōu)化后共得到9 種不同尺度的先驗框。其中，在尺寸為13×13 的特征圖上采用（116，90），（156，198），（373，326）先驗框，感受野最大，適合檢測大尺度缺陷；尺寸為26×26 的特征圖采用（30，61），（62，45），（59，119）先驗框，具有中等尺度的感受野，適合檢測中等大小的缺陷；尺寸為52×52 的特征圖采用（10，13），（16，30），（33，23）先驗框，感受野最小，適合檢測圖像中小尺寸的缺陷。在整個網(wǎng)絡的中間部分，YOLOv3 通過上采樣和特征圖堆疊，構(gòu)造類似特征金字塔網(wǎng)絡（Feature Pyramid Network，F(xiàn)PN）結(jié)構(gòu)［15］融合大中小3 個尺度的特征圖信息，進行多尺度預測，加強缺陷檢測能力。

1.2 YOLOv3型鋼缺陷檢測存在的問題

YOLOv3 將缺陷定位和分類集成在單一階段的神經(jīng)網(wǎng)絡中，輸入圖像經(jīng)過一次推斷，便能同時得到圖像中所有缺陷的位置和其所屬類別，極大提升了檢測的速度，也導致了檢測精度較低的問題，尤其是在檢測形變較大缺陷和微小密集缺陷上。

首先，雖然YOLOv3 使用了特征金字塔網(wǎng)絡結(jié)構(gòu)進行多尺度檢測，有效提高了對缺陷的檢測能力，但同一特征圖上的特征點具有相同的感受野，對形變較大的缺陷提取的特征容易受到背景區(qū)域的干擾，導致檢測邊界框的定位不準，同時背景干擾也會導致小缺陷檢測精度不高。其次，YOLOv3只有3 個尺度的特征圖，且深層特征圖和淺層特征圖之間僅采用自下而上的單一連接融合不同級別的特征信息，存在對淺層位置特征信息融合不足的問題，造成微小缺陷的漏檢。最后，YOLOv3 算法的訓練與測試采用COCO（Common Objects in COntext）和VOC（Visual Object Classes）數(shù)據(jù)集［8］，數(shù)據(jù)集中目標種類多，引入先驗框的值具有一定的適用性，并不專門針對型鋼表面缺陷設計，易造成缺陷漏檢及檢測定位不準確的問題。

針對以上問題，本文在高實時性缺陷檢測算法YOLOv3的基礎上，結(jié)合型鋼形態(tài)多樣、微小缺陷較多的特點，分別從調(diào)整單層特征圖感受野大小，構(gòu)造小尺度特征層并跨層密集融合多層特征圖、選擇合適的先驗框3 個方面，對YOLOv3 算法進行改進，以提高對型鋼表面缺陷的檢測精度。

2 Steel-YOLOv3檢測算法

2.1 Steel-YOLOv3整體結(jié)構(gòu)

綜合考慮型鋼表面缺陷檢測算法對速度與精度的要求，本文設計了Steel-YOLOv3 檢測算法，算法結(jié)構(gòu)如圖1 所示。具體地，在原YOLOv3 特征提取主干網(wǎng)絡Darknet53 和FPN 基礎上，通過增加可變形卷積網(wǎng)絡（Deformable Convolutional Network，DCN）（圖1（a）），設計多尺度-密集特征金字塔（MDFPN）網(wǎng)格框架（圖1（b））和優(yōu)化先驗框構(gòu)建Steel-YOLOv3檢測算法。為清晰地展示算法的具體結(jié)構(gòu)，一些常規(guī)操作以模塊形式展現(xiàn)。

Steel-YOLOv3 算法仍采用基于殘差網(wǎng)絡的Darknet53 作為主干網(wǎng)絡，該網(wǎng)絡默認要求輸入圖像的尺寸為416×416，整個主干網(wǎng)絡共使用5 個殘差模塊，將后4 個殘差模塊的輸出特征圖104×104、52×52、26×26 和13×13 作為檢測算法的4個特征尺度，全面獲取型鋼表面缺陷的不同尺寸信息。同時，每個尺度的輸出層前，使用可變形卷積代替原Darknet53網(wǎng)絡中殘差模塊最后一個殘差單元的卷積層，提取不同缺陷形狀的特征。接著，在FPN 中，構(gòu)建M-DFPN，實現(xiàn)不同層級特征圖之間的密集連接，使淺層特征圖匯聚更多特征信息。最后，在算法訓練階段，采用K-means 維度聚類方法對缺陷邊界框進行聚類，重新設計先驗框尺寸，形成適用于型鋼缺陷檢測的先驗框。

圖1 Steel-YOLOv3檢測算法的整體框架Fig.1 Overall framework of Steel-YOLOV3 detection algorithm

2.2 可變形卷積

型鋼表面缺陷形態(tài)各不相同，僅通過大量數(shù)據(jù)使YOLOv3 算法的常規(guī)卷積網(wǎng)絡完全提取缺陷的多樣變化較為困難：常規(guī)卷積網(wǎng)絡采用的是方塊卷積，規(guī)則的采樣點限制了其幾何變換建模的能力，只能以固定形狀和大小的窗口進行掃描。而可變形卷積核［16］的各元素均有一個可學習的參數(shù)偏置量，使可變形卷積的采樣點可以根據(jù)特征圖進行自適應調(diào)整，感受野可以隨物體的形狀和尺寸的不同而改變。因此，本文采用基于可變形卷積的特征提取網(wǎng)絡自適應地“記憶”缺陷的形狀和位置特征，增強對形狀變化較大的型鋼表面缺陷的檢測能力，如圖1（a）所示。具體地，基于可變形卷積構(gòu)建Res-DCN 單元，并使用Res-DCN 單元代替Darknet53每個尺度輸出層前的最后1 個殘差單元（Res-Unit）。Res-DCN 單元包括2 個DCBL（Deformable Conv+BN+Leaky ReLU）模塊和1 條殘差邊，其中，DCBL 模塊是由1 個可變形卷積（Deformable Conv）、1 個BN層和1 個激活函數(shù)層（Leaky ReLU）組成。通過構(gòu)建的Res-DCN 單元，實現(xiàn)了對各個尺度上不同形態(tài)特征的自適應提取。

常規(guī)卷積分為兩步驟：1）在輸入特征圖上通過固定尺寸的卷積核進行采樣；2）根據(jù)卷積核權(quán)重進行計算采樣，并將計算結(jié)果相加。將大小為3×3，擴張率為1 的卷積核定義為R：

則對于輸出特征圖上的一個點p0，常規(guī)卷積可表示為：

其中：w為卷積核權(quán)重；x為輸入特征圖。

可變形卷積在常規(guī)卷積核的每個采樣點位置上都增加一個二維偏置量Δpn，同時對每個采樣點預測一個權(quán)重Δmn，實現(xiàn)流程如圖2 所示。此時，對于輸出特征圖上的一個點p0，可變形卷積的計算過程如下：

圖2 可變形卷積實現(xiàn)流程Fig.2 Deformable convolution implementation process

由于偏移量Δpn通常是小數(shù)，因此需要通過雙線性插值計算x的值：

其中：p表示偏移后的任意位置，即p=p0+pn+Δpn；x(q)為p周圍相鄰四個整數(shù)坐標處的像素值；G(·，·)為四個整數(shù)坐標所對應的權(quán)重。G(·，·)可分為兩個一維內(nèi)核：

2.3 多尺度-密集特征金字塔（M-DFPN）

在型鋼表面缺陷中，存在大量的微小尺寸缺陷。YOLOv3 借鑒了FPN 的思想，通過Darknet53 網(wǎng)絡輸出尺寸為13×13、26×26、52×52 的3 個不同尺度的特征圖，在網(wǎng)絡輸出的后兩個特征圖上進行采樣，與網(wǎng)絡前期相應尺度的特征圖融合成有效信息對目標進行預測。相較于YOLOv1、v2，YOLOv3 采用多尺度與特征融合的方法提高了對圖像中不同尺寸目標的檢測精度。而表面缺陷檢測相較于目標檢測，正樣本尺寸更小，僅利用3 個尺度的特征對淺層信息的利用并不充分，不利于小尺寸缺陷的檢測。為更好地提取微小尺寸缺陷信息，本文提出M-DFPN 框架，該網(wǎng)絡框架可分為2 個階段，如圖3 所示。

階段1：在YOLOv3 特征提取主干網(wǎng)絡Darknet53 的第2個殘差模塊后增加尺寸為104×104 的特征尺度，過程具體可見圖3（a），使YOLOv3 原有的3 個尺度擴展為4 個尺度，獲取更淺層的小尺寸缺陷特征；階段2：借鑒Dense Net 思想，將密集連接引入YOLOv3 的FPN 結(jié)構(gòu)中，如圖4 所示，即在階段2對階段1 輸出的4 個尺度特征圖進行密集連接金字塔特征融合操作，虛線箭頭代表引入的跨層下采樣，實現(xiàn)第1 層特征圖與第3 層特征圖、第2 層特征圖與第4 層特征圖、第1 層特征圖與第4 層特征圖的跨層特征融合，具體過程如圖3（b）所示，改進后的FPN 可以獲得特征融合加強的淺層輸出，增強對微小尺寸缺陷的表征能力。

圖3 M-DFPN網(wǎng)絡框架Fig.3 Framework diagram of M-DFPN

圖4 密集特征金字塔Fig.4 Dense feature pyramid

綜合考慮Steel-YOLOv3 算法檢測效率和檢測準確率的平衡，同時使先驗框數(shù)量均勻分配到4 個預測尺度上，最終選擇產(chǎn)生12 個先驗框，具體的先驗框尺寸為［（8，23），（12，31），（10，52），（32，29），（7，166），（18，68），（61，35），（23，164），（11，39），（77，57），（82，94），（34，388）］。

2.4 先驗框優(yōu)化設計

YOLOv3 算法原設定的先驗框尺寸源于COCO 和VOC 數(shù)據(jù)集，主要面向自然界中通用目標檢測，并不滿足型鋼表面缺陷檢測的需求，且不適用于具有4 個特征尺度的情況。因此，本文針對型鋼表面缺陷數(shù)據(jù)集和4 個尺度檢測層的特點，采用K-means 維度聚類算法對缺陷邊界框重新進行維度聚類，計算不同聚類數(shù)下的平均交并比，如圖5 所示，使先驗框與缺陷邊界框更匹配，設計更具針對性的先驗框參數(shù)。

圖5 聚類數(shù)與平均交并比的關系Fig.5 Relation between number of clusters and average intersection ratio union

2.5 Steel-YOLOv3損失函數(shù)

為實現(xiàn)對型鋼表面缺陷的定位與識別，Steel-YOLOv3 檢測算法使用了均方和誤差作為損失函數(shù)，該損失函數(shù)由坐標誤差、置信度誤差和類別誤差三部分組成：

其中：Ecoord表示坐標誤差；Econ表示置信度誤差；Ecls表示類別誤差。

Ecoord采用均方誤差（Mean Square Error，MSE）損失函數(shù)，計算公式為：

3 網(wǎng)絡訓練

3.1 型鋼表面缺陷數(shù)據(jù)集

本文所采用的型鋼表面缺陷樣本是在復雜生產(chǎn)環(huán)境下通過架設在某型鋼生產(chǎn)線上的圖像采集裝置獲取的。該數(shù)據(jù)集包含結(jié)疤、剝落、劃傷和擊傷4 種缺陷，每類缺陷200 張，共計800 張缺陷圖像，如圖6 所示：結(jié)疤缺陷寬度尺寸較小，多以弧形呈現(xiàn)；剝落缺陷尺寸微小，呈圓形；劃傷缺陷尺寸較大，為細長條形；擊傷缺陷尺寸大小不一，形變較多。

圖6 型鋼表面缺陷類型Fig.6 Types of surface defects of section steel

由于現(xiàn)場缺陷圖像采集困難，樣本數(shù)量較少，為緩解訓練過程中的過擬合現(xiàn)象，采用圖像垂直翻轉(zhuǎn)、圖像水平翻轉(zhuǎn)、圖像旋轉(zhuǎn)、隨機填充與尺度變換等數(shù)據(jù)擴充方式將樣本量提升了10 倍。

3.2 訓練參數(shù)及評價指標

本實驗使用Intel Xeon Silver 4110 CPU，2080Ti GPU 和64 GB 內(nèi)存。在算法訓練過程中，樣本集按照8∶1∶1 的比例被劃分為訓練集、驗證集與測試集。實驗采用批次迭代訓練法，批訓練大小設置為8，迭代次數(shù)設置為50 次，動量設置為0.9，權(quán)重衰減率為0.000 5，學習率設置為0.001，訓練時使用SGD（Stochastic Gradient Descent）優(yōu)化，Steel-YOLOv3 算法的迭代損失曲線如圖7 所示。從圖7 可以看出：算法訓練在前10 次迭代中損失下降迅速；在35 次迭代后損失逐漸平穩(wěn)；迭代50 次后損失幾乎不再變化，損失曲線已完全收斂。

圖7 訓練損失曲線Fig.7 Training loss curve

為評價網(wǎng)絡的檢測性能并說明Steel-YOLOv3 檢測算法在型鋼表面缺陷檢測中的有效性，實驗選取平均精度（Average Precision，AP）、平均精度均值（mean Average Precision，mAP）和幀率作為算法評價指標。

4 實驗與結(jié)果分析

4.1 Steel-YOLOv3消融實驗

為分析Steel-YOLOv3 檢測算法中各改進方法對型鋼表面缺陷檢測結(jié)果的影響，設計了消融實驗，評估對應算法的檢測效果。具體實驗內(nèi)容及檢測結(jié)果如表1 所示。

1）算法1（YOLOv3+DCN）。在特征提取階段對每個尺度的特征圖采用可變形卷積，生成適合缺陷形狀的可變形形狀采樣區(qū)域，以解決不同缺陷類型形態(tài)各異的問題。從表1 中可以看出：算法1 的各類型缺陷檢測精度均有提升，平均檢測精度提高了4.30 個百分點，說明引入可變形卷積可增強對不規(guī)則缺陷的提取能力，有效提高算法的性能。

表1 Steel-YOLOv3檢測算法的消融實驗結(jié)果Tab.1 T Ablation experimental results of Steel-YOLOv3 detection algorithm

2）算法2（YOLOv3+M-DFPN+先驗框優(yōu)化）。采用了多尺度-密集特征金字塔網(wǎng)絡，相較YOLOv3 擴展了1 個淺層的特征尺度，并增加了3 個跨層級的密集連接，著重解決微小缺陷的漏檢問題。此外，為適應4 個特征尺度的情況，在算法訓練時使用了重新設計的先驗框，與型鋼表面缺陷的尺寸更加匹配，也在一定程度上提升了檢測精度。算法2 的改進使整體檢測精度提升7.84 個百分點，其中微小剝落缺陷的提升效果尤為明顯，達到14.09 個百分點，表明M-DFPN 和先驗框優(yōu)化對提升算法的檢測精度，特別是微小缺陷檢測精度的提升具有最積極的影響。

3）Steel-YOLOv3 算法。使用所提改進方法的組合對缺陷進行訓練，實驗結(jié)果顯示Steel-YOLOv3 完整檢測算法綜合運用各改進方法以解決YOLOv3 算法在型鋼表面缺陷檢測任務中存在的問題，對缺陷的檢測效果最好。與YOLOv3 相比，Steel-YOLOv3 算法的檢測精度提升了12.63%，4 類缺陷均取得了良好的檢測效果，提高了對多形態(tài)、微小缺陷的檢測能力，驗證了該算法在型鋼表面缺陷檢測中的有效性。

4.2 不同檢測算法性能對比實驗

為說明所提Steel-YOLOv3 檢測算法的優(yōu)越性，本文將該算法與目標檢測中常用的幾種深度學習算法進行對比，包括兩階段目標檢測算法Faster R-CNN600 和單階段目標檢測算法SSD（Single Shot multibox Detector）512［17］、YOLOv5l。實驗使用型鋼表面缺陷數(shù)據(jù)集進行算法訓練，訓練過程的超參數(shù)相同，輸入圖像的尺寸使用算法中建議的尺寸，對輸入缺陷圖像進行等比縮放。表2 給出了4 種不同算法的檢測結(jié)果，不同算法的檢測效果如圖8 所示。

表2 不同檢測算法性能比較結(jié)果Tab.2 Performance comparison results of different detection algorithms

實驗結(jié)果表明，本文所提出的Steel-YOLOv3 檢測算法表現(xiàn)出了很好的性能：檢測精度優(yōu)于其他檢測算法，且每類缺陷的檢測效果相對平均，檢測速度滿足實時性要求。圖8 的檢測結(jié)果顯示了本文提出的Steel-YOLOv3 能夠準確對各類缺陷進行定位和類型識別，而其他算法存在漏檢測，對屬于微小缺陷的剝落漏檢現(xiàn)象嚴重，表明Steel-YOLOv3 算法可以更好地實現(xiàn)對微小缺陷的檢測。

圖8 不同檢測算法的缺陷檢測效果Fig.8 Defect detection results of different detection algorithms

Faster R-CNN 作為經(jīng)典的兩階段目標檢測算法，具有較好的檢測效果，但Faster R-CNN 檢測速度較慢，無法滿足實時性要求；SSD 算法相較于兩階段Faster R-CNN 算法，檢測速度提升了3 倍多，檢測速度很快，然而SSD 算法檢測精度有了明顯的下降，僅為70.57%；相較于SSD 算法，YOLOv5l算法在保持速度優(yōu)勢的前提下，檢測精度大幅提升，但對微小剝落缺陷的檢測能力依然有限，對長寬比較極端的擊傷缺陷的檢測效果也較差；Steel-YOLOv3 算法檢測相較于對比算法檢測精度最高，相較于Faster R-CNN、SSD 和YOLOv5l 算法，檢測精度分別提高了3.51%、26.46%和5.71%；在缺陷檢測速度上，由于加入了DCN，需要通過誤差的反向傳播對DCN 的偏置量進行學習，且利用M-DFPN 框架進行多尺度特征密集融合都需要預測更多的信息，所以檢測速度相較于YOLOv5l、SSD 算法略有下降，但仍接近Faster R-CNN 算法的3 倍，滿足實時檢測的需求。因此，Steel-YOLOv3 是兼具檢測精度和檢測速度的型鋼表面缺陷檢測算法。

4.3 Steel-YOLOv3現(xiàn)場性能測試

為測試Steel-YOLOv3 算法在復雜生產(chǎn)環(huán)境下對型鋼表面缺陷的在線檢測性能，本文在某鋼鐵集團熱軋型鋼生產(chǎn)線進行了為期5 d 的算法性能測試。

測試期間型鋼表面缺陷檢測速度到達了單張38.27 ms，幀率為26.13 frame/s，檢測結(jié)果如表3 所示。

表3 基于Steel-YOLOv3的型鋼表面缺陷現(xiàn)場檢測結(jié)果Tab.3 Field detection results of section steel surface defects based on Steel-YOLOv3

結(jié)疤、剝落、劃傷、擊傷4 類表面缺陷的檢測準確率分別為92.85%、90.20%、91.67%、93.55%。其中，存在2 個結(jié)疤缺陷、4 個剝落缺陷、2 個劃傷缺陷和1 個擊傷缺陷未被檢測出，漏檢率為5.63%。經(jīng)現(xiàn)場查看，所漏檢缺陷的面積過小，對型鋼表面質(zhì)量影響甚微，可忽略不計。此外，不同類型缺陷之間存在少量誤識別現(xiàn)象。結(jié)疤缺陷有1 個被分為擊傷缺陷；剝落缺陷有1 個被分為結(jié)疤缺陷；劃傷缺陷有1 個被分為結(jié)疤缺陷；擊傷缺陷有1 個被分為劃傷缺陷，誤檢率為2.5%。現(xiàn)場測試結(jié)果表明，本文所提出的Steel-YOLOv3 檢測算法在實際應用中具有良好的檢測效果，單張圖像檢測時間為38.27 ms，平均識別準確率為92.07%，實現(xiàn)了型鋼表面缺陷的在線高精度檢測。

5 結(jié)語

本文針對型鋼表面多形態(tài)微小缺陷的實時檢測問題，設計了Steel-YOLOv3 檢測算法，實現(xiàn)了缺陷的準確定位與分類。首先，本文采用具有高實時性的YOLOv3 作為基礎框架，保證了缺陷檢測的實用性和快速性；其次，針對型鋼表面缺陷形態(tài)多樣、微小缺陷眾多的特點，本文采用了可變形卷積（DCN）增加特征網(wǎng)絡卷積層對多形態(tài)缺陷特征的提取能力，并通過設計多尺度-密集特征金字塔（M-DFPN）框架和優(yōu)化先驗框以彌補YOLOv3 對微小缺陷難以識別和定位不準的不足。仿真實驗結(jié)果表明：本文提出的Steel-YOLOv3 算法對缺陷的檢測精度為89.24%，幀率為25.62 frame/s。相較于對比算法，本文算法可以在不影響檢測效率的情況下提高對多形態(tài)、多尺度，尤其是微小缺陷的檢測能力?，F(xiàn)場性能測試結(jié)果表明，本文算法完全能夠滿足型鋼高速生產(chǎn)現(xiàn)場表面缺陷檢測的效率與精度要求，可實際應用于型鋼的缺陷檢測中。后續(xù)可對算法進一步優(yōu)化，使用更輕型網(wǎng)絡在保證檢測精度的同時提升檢測速度，提升算法的泛化能力，廣泛地推廣應用于型鋼、鋼軌等復雜鋼材的缺陷實時檢測中。