基于YOLOv7-TSCR的連鑄坯表面缺陷檢測

摘要：為解決連鑄生產(chǎn)過程中鑄坯表面缺陷檢測準(zhǔn)確率低、檢測速度慢、模型參數(shù)量大難以部署等問題，提出一種融合重參數(shù)化和注意力機(jī)制的輕量化鑄坯表面缺陷檢測算法YOLOv7-TSCR。首先，利用Mish和SiLU激活函數(shù)、SimAM注意力機(jī)制，構(gòu)建了改進(jìn)的高效層聚合模塊ELAN-S，以有效增強(qiáng)對多尺度缺陷特征的提??；其次，設(shè)計(jì)了C2f_RG模塊改進(jìn)特征融合網(wǎng)絡(luò)，減少參數(shù)量的同時(shí)獲得更豐富的梯度流信息，增強(qiáng)特征融合能力；最后，根據(jù)采集實(shí)際生產(chǎn)中的缺陷圖像，構(gòu)建鑄坯缺陷數(shù)據(jù)集并進(jìn)行驗(yàn)證。結(jié)果表明：YOLOv7-TSCR相較其他網(wǎng)絡(luò)模型檢測效果顯著提升，在模型參數(shù)量減小的情況下，精確率達(dá)93.5%，平均精度均值提高了2.8%，檢測速度可達(dá)120FPS；在NEU-DET公開數(shù)據(jù)集上進(jìn)行的泛化性對比實(shí)驗(yàn)證明了算法具有較強(qiáng)的泛化性。改進(jìn)算法在保證較高檢測精度的基礎(chǔ)上，具有較快的檢測速度和較小的參數(shù)量，為鑄坯表面缺陷的高效檢測提供了技術(shù)參考。

關(guān)鍵詞：煉鋼；鑄坯表面缺陷；注意力機(jī)制；多尺度特征；YOLOv7

中圖分類號：TP391.4

文獻(xiàn)標(biāo)識(shí)碼：A

DOI：10.7535/hbkd.2024yx04002

Surfacedefectdetectionofcontinuouscastingbillets"basedonYOLOv7-TSCR

ZENGKai1，2，3，CHENBo1，MAZhihua1，XIAOPengcheng2，3，WANGYan2，3，ZHULiguang4

（1.CollegeofElectricalEngineering，NorthChinaUniversityofScienceandTechnology，Tangshan，Hebei063210，China；

2.CollegeofMetallurgyandEnergy，NorthChinaUniversityofScienceandTechnology，Tangshan，Hebei063210，China；

3.HebeiHighQualitySteelContinuousCastingEngineeringTechnologyResearchCenter，Tangshan，Hebei063000，China；

4.SchoolofMaterialsScienceandEngineering，HebeiUniversityofScienceandTechnology，Shijiazhuang，Hebei050018，China）

Abstract：

Tosolvetheproblemsoflowaccuracy，slowdetectionspeed，anddifficultyindeployingmodelparametersinsurfacedefectdetectionofcontinuouscastingproductionprocess，alightweightsurfacedefectdetectionalgorithmYOLOv7-TSCRthatintegratesheavyparameterizationandattentionmechanismwasproposed.Firstly，basedontheMishandSiLUactivationfunctionsandtheSimAMattentionmechanism，animprovedhigh-efficiencylayeraggregationmoduleELAN-Swasconstructedtoeffectivelyenhancetheextractionofmulti-scaledefectfeatures.Secondly，theC2f_RGmodulewasdesignedtoimprovethefeaturefusionnetwork，reducingthenumberofparameterswhileobtainingrichergradientflowinformationandenhancingfeaturefusioncapabilities.Finally，basedonthecollecteddefectimagesfromactualproduction，adatasetofcastingdefectswasconstructedandvalidated.TheresultsshowthatYOLOv7-TSCRhassignificantlyimproveddetectionperformancecomparedtoothernetworkmodels；Withareducednumberofmodelparameters，theaccuracyreaches93.5%，theaverageaccuracyincreasesby2.8%，andthedetectionspeedreaches120FPS;ThegeneralizationcomparisonexperimentontheNEU-DETpublicdatasetprovesthatthealgorithmhasstronggeneralization.Onthebasisofensuringhighdetectionaccuracy，theimprovedalgorithmhasafastdetectionspeedandasmallnumberofparameters，whichprovidesatechnicalreferencefortheefficientdetectionofsurfacedefectsincastingbillets.

Keywords：

steelmaking;surfacedefectofcastingbillet;attentionmechanism;multi-scalefeature;YOLOv7

連鑄是鋼鐵生產(chǎn)流程中承上啟下的重要環(huán)節(jié)，鑄坯表面質(zhì)量是決定鋼材產(chǎn)品優(yōu)劣的核心因素。鑄坯生產(chǎn)過程中受工藝參數(shù)波動(dòng)影響，鑄坯表面可能會(huì)形成裂紋[1]、皮下氣泡[2]、結(jié)疤、劃傷等表面缺陷。各類缺陷的產(chǎn)生會(huì)嚴(yán)重影響后續(xù)的軋制生產(chǎn)效率及鋼材產(chǎn)品質(zhì)量，是阻礙企業(yè)生產(chǎn)高品質(zhì)鋼材產(chǎn)品的重要因素，因此開展鑄坯表面缺陷檢測技術(shù)的創(chuàng)新研究，對減少能耗、提高鋼產(chǎn)品質(zhì)量具有重要意義。

隨著鋼鐵領(lǐng)域智能制造技術(shù)的深入推進(jìn)，傳統(tǒng)的人工檢測、紅外檢測方法檢測效率低、精度差、具有較大的滯后性，難以直觀呈現(xiàn)表面缺陷的具體形貌，不能實(shí)現(xiàn)實(shí)時(shí)的生產(chǎn)在線檢測與連鑄生產(chǎn)工藝的智能調(diào)節(jié)，難以滿足以ESP、MCCR為代表的板坯連鑄連軋高效、低碳生產(chǎn)模式的發(fā)展

[3]。近年來，基于人工智能的視覺檢測技術(shù)飛速發(fā)展，為鑄坯質(zhì)量檢測領(lǐng)域帶來了新的變革。ZHAO等[4]設(shè)計(jì)了一種融合全連接網(wǎng)絡(luò)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了對連鑄板坯表面缺陷的分類檢測。DESHPANDE等[5]提出了一種SiameseCNN算法并對鋼鐵表面進(jìn)行識(shí)別，顯著降低了模型對訓(xùn)練數(shù)據(jù)的要求，實(shí)現(xiàn)了對鋼板表面質(zhì)量的實(shí)時(shí)檢測。

相比于上述的檢測方法，基于深度學(xué)習(xí)的SSD[6]、YOLO[7]缺陷檢測算法在檢測速度和精度上具有較好的平衡，在檢測領(lǐng)域逐步得到發(fā)展應(yīng)用。YOLO系列目標(biāo)檢測算法能在保證精度的前提下提升檢測速度，在表面缺陷檢測領(lǐng)域具有顯著優(yōu)勢。為解決復(fù)雜工業(yè)生產(chǎn)環(huán)境下熱軋鋼條表面缺陷檢測準(zhǔn)確率不高、小范圍信息表現(xiàn)差等問題，劉艷菊等[8]提出一種改進(jìn)的YOLOv4熱軋鋼條缺陷實(shí)時(shí)檢測算法，在保證檢測速度的前提下提升檢測精度。趙春華等[9]提出了PC-YOLOv7缺陷檢測算法，通過引入雙向特征金字塔結(jié)構(gòu)有效提高了缺陷識(shí)別精度。盧俊哲等[10]使用可變形卷積替代常規(guī)卷積降低模型參數(shù)量和模型權(quán)重，解決因資源受限設(shè)備難以部署高精度模型的問題。王睿澤等[11]提出了基于MobileNetv2主干網(wǎng)絡(luò)的YOLOv3算法，提升了對連鑄坯表面缺陷的檢測速度，但實(shí)驗(yàn)過程僅針對劃痕和裂紋2類表面缺陷。竇智等[12]在YOLOv7網(wǎng)絡(luò)中的ELAN模塊中加入SE模塊[13]，增強(qiáng)了鋼板表面缺陷特征的提取，同時(shí)利用ACmix注意力機(jī)制，提升了對鋼板上小型缺陷的檢測能力，但未對模型的參數(shù)量大小和運(yùn)算速度進(jìn)行分析。高春艷等[14]提出CDN-YOLOv7鋼材表面缺陷檢測算法，通過加入CARAFE輕量化采樣算子，并設(shè)計(jì)新的檢測頭網(wǎng)絡(luò)，優(yōu)化了網(wǎng)絡(luò)特征融合能力，降低了缺陷漏檢率，但模型的參數(shù)量較大。李偉等[15]將SimAM、GAM2種注意力機(jī)制融入YOLOv7的池化卷積模塊，提升了對缺陷信息提取的完整性，并利用K-means++對數(shù)據(jù)集聚類，提高了缺陷識(shí)別的穩(wěn)定性，但檢測速度較YOLOv7網(wǎng)絡(luò)略有降低。

上述YOLO模型存在模型權(quán)重過大、檢測速度慢、識(shí)別效率低、難以部署的問題。為有效提升對鑄坯表面缺陷的檢測效率，解決因模型權(quán)重過大檢測結(jié)果較為滯后的問題，同某鋼鐵企業(yè)展開合作，采集連鑄在線生產(chǎn)的鑄坯表面圖像，構(gòu)建鑄坯表面缺陷檢測數(shù)據(jù)集，開展缺陷檢測實(shí)驗(yàn)，提出了一種基于YOLOv7-TSCR的連鑄坯表面缺陷檢測模型。

1連鑄坯缺陷檢測算法結(jié)構(gòu)

1.1YOLOv7-Tiny網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv7-Tiny是在YOLOv7[16]的基準(zhǔn)上簡化而來的一種高效的輕量級目標(biāo)檢測算法，是專為邊緣計(jì)算機(jī)、單片機(jī)等計(jì)算資源有限設(shè)備設(shè)計(jì)的小型模型。YOLOv7算法相比上一代YOLO算法在準(zhǔn)確度上得到進(jìn)一步的提高，但網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜，參數(shù)量過大，對設(shè)備性能要求過高[17]。YOLOv7-Tiny在YOLOv7算法的基礎(chǔ)上采用了更緊湊的網(wǎng)絡(luò)架構(gòu)和優(yōu)化的訓(xùn)練策略，雖犧牲了一定程度的精度，但在實(shí)時(shí)性檢測上具有優(yōu)勢。

YOLOv7-Tiny的整個(gè)模型網(wǎng)絡(luò)如圖1所示，可以分為數(shù)據(jù)輸入端（Input）、網(wǎng)絡(luò)主干特征提?。˙ackbone）、特征融合（Neck）與多尺度特征及預(yù)測回歸分類（Head）4部分。將圖像預(yù)處理后，對輸入的不同尺寸圖像重新規(guī)定大小，采用動(dòng)態(tài)標(biāo)簽分配策略確定正負(fù)樣本；Backbone由卷積模塊、高效層聚合網(wǎng)絡(luò)、MP模塊構(gòu)成，進(jìn)行圖像特征提?。籒eck與Head層對特征圖進(jìn)行多尺度融合和預(yù)測。YOLOv7-Tiny算法沿襲了以往YOLO系列算法的優(yōu)點(diǎn)，擁有較快的模型推理速度，相比于其他模型更容易部署在需要滿足實(shí)時(shí)檢測要求的工業(yè)領(lǐng)域，非常適合應(yīng)用于鑄坯表面缺陷實(shí)時(shí)檢測。

YOLOv7-Tiny模型以犧牲一定檢測精度為前提，簡化了對圖像特征提取的網(wǎng)絡(luò)結(jié)構(gòu)，降低了模型參數(shù)量，使模型得以輕量化，但受鑄坯表面缺陷特征種類多樣、形貌復(fù)雜的影響，輕量化模型容易因特征信息提取能力不足，導(dǎo)致缺陷檢測性能變差，產(chǎn)生對缺陷的誤檢和漏檢。

1.2YOLOv7-TSCR網(wǎng)絡(luò)結(jié)構(gòu)

為增強(qiáng)模型對特征信息的提取能力，提升缺陷檢測精度，同時(shí)滿足缺陷檢測的快速性、實(shí)時(shí)性要求，提出了基于YOLOv7-Tiny結(jié)構(gòu)的改進(jìn)網(wǎng)絡(luò)模型YOLOv7-TSCR，具體算法框架如圖2所示。在YOLOv7-TSCR網(wǎng)絡(luò)中，對YOLOv7-Tiny網(wǎng)絡(luò)Backbone層中的ELAN模塊進(jìn)行改進(jìn)，將其中原有的Leaky_ReLU激活函數(shù)替換為Mish、SiLU激活函數(shù)，并引入SimAM（similarity-basedattentionmodule）注意力機(jī)制，構(gòu)成新的高效層聚合模塊ELAN-S，能夠更好地挖掘鑄坯表面缺陷的多尺度特征，使網(wǎng)絡(luò)接納更多特征信息，同時(shí)提高計(jì)算效率并增強(qiáng)魯棒性。其次，使用更緊湊的C2f_RG模塊替換Head層中的ELAN模塊，C2f_RG可利用不同層級的特征圖進(jìn)行信息融合，在減少參數(shù)量的同時(shí)獲得更豐富的梯度流信息，增強(qiáng)網(wǎng)絡(luò)特征融合能力。

1.3改進(jìn)的高效層聚合網(wǎng)絡(luò)ELAN-S

選擇合適的激活函數(shù)能使模型更好地學(xué)習(xí)多種尺度特征。為避免在正負(fù)輸入值之間建立一致聯(lián)系的困難，將激活函數(shù)Leaky_ReLU[18]替換為Mish[19]和SiLU。它們所具有的方程如下：

Leaky_ReLU（x）=

x，xgt;0，

αx，[DW]x≤0，（1）

Mish（x）=x·tanh（ln（1+ex）），（2）

SiLU=x1+e-x。（3）

通過引入可導(dǎo)的激活函數(shù)Mish和SiLU，使梯度計(jì)算變得更容易，替換的激活函數(shù)可以在零處達(dá)到最小值，可保持穩(wěn)定并緩沖權(quán)重。如圖3所示，與Leaky_ReLU激活函數(shù)相比，Mish和SiLU激活函數(shù)更加平滑，增加了更多的非線性表達(dá)，增強(qiáng)了模型的學(xué)習(xí)能力。

注意力機(jī)制是模仿人類視覺和認(rèn)知系統(tǒng)的方法，不局限于特定網(wǎng)絡(luò)的模塊?，F(xiàn)有注意力模塊在空間和通道維度上缺乏靈活性，同時(shí)參數(shù)量較高。YANG等[20]提出了一種無參數(shù)的SimAM注意力機(jī)制，通過計(jì)算能量函數(shù)給予重要神經(jīng)元更大權(quán)重。相比其他注意力機(jī)制，SimAM可無需引入額外的學(xué)習(xí)參數(shù)，能夠減少其他特征干擾，增強(qiáng)對缺陷的特征提取。能量函數(shù)定義如式（4）所示：

et（wt，bt，y，xi）=

（yt-[AKt^]）2+1M-1∑M-1i=1[DD）]

（y0-[AKx^]i）2，（4）

式中：t為目標(biāo)神經(jīng)元；xi為其他神經(jīng)元；M為通道上神經(jīng)元個(gè)數(shù)；wt表示權(quán)重；bt表示偏置。

考慮到模型需要在不影響精度和不增加部署成本的情況下滿足實(shí)時(shí)檢測需求，因此需要進(jìn)行較少的特征提取操作來維持模型參數(shù)量和計(jì)算量的規(guī)模。本文在原有YOLOv7-Tiny模型高效層聚合網(wǎng)絡(luò)的基準(zhǔn)上，引入Mish和SiLU激活函數(shù)以及SimAM無參數(shù)注意力機(jī)制，構(gòu)成改進(jìn)的ELAN-S結(jié)構(gòu)，如圖4所示。

1.4C2f_RG模塊

C2f（CSPDarknet53to2-StageFPN）[21]是YOLOv8網(wǎng)絡(luò)中的多尺度特征融合模塊，參考了YOLOv5中C3模塊與YOLOv7中ELAN模塊的設(shè)計(jì)思想，能夠利用不同層級的特征圖進(jìn)行信息融合，可從粗糙的特征圖，逐漸細(xì)化到更細(xì)致的特征圖，對不同尺度目標(biāo)的檢測效果較好。添加C2f模塊能在保證輕量化的同時(shí)獲得更加豐富的梯度流信息。與使用自注意力機(jī)制的ELAN特征融合模塊相比計(jì)算量更小，更適合應(yīng)用于實(shí)時(shí)檢測場景。

RepGhost模塊[22]是一個(gè)輕量級的卷積模塊，利用重參數(shù)化技術(shù)，通過替換Ghost模塊中低效的連接操作符，實(shí)現(xiàn)特征重用以節(jié)省推理時(shí)間。RepGhostBottleneck結(jié)構(gòu)如圖5所示。

為了更好地進(jìn)行鑄坯缺陷檢測，本文使用YOLOv8中C2f和RepGhostBottleneck設(shè)計(jì)如圖6所示的C2f_RG特征融合模塊，在提升非線性表達(dá)、減少參數(shù)量的同時(shí)獲得梯度流更加豐富的結(jié)構(gòu)，以便提取到更豐富的多尺度缺陷特征。

2數(shù)據(jù)集構(gòu)建及評價(jià)指標(biāo)

2.1實(shí)驗(yàn)場景與數(shù)據(jù)采集

通過與某鋼廠合作，共同開展連鑄坯表面缺陷檢測技術(shù)的研發(fā)，采集板坯連鑄生產(chǎn)線上的鑄坯表面圖像。如圖7所示，在鋼廠連鑄生產(chǎn)線上，搭建在線視覺檢測設(shè)備，其中包括缺陷視覺檢測平臺(tái)、數(shù)據(jù)分析平臺(tái)、冷卻設(shè)備等裝置，圖右側(cè)部分所示為缺陷圖像采集設(shè)備，可在線完成鑄坯表面圖像數(shù)據(jù)的采集工作，為后續(xù)鑄坯表面缺陷在線檢測研究提供真實(shí)的缺陷圖像數(shù)據(jù)集。

2.2數(shù)據(jù)集構(gòu)建

圖像采集后，經(jīng)過圖像預(yù)處理、圖像增強(qiáng)，統(tǒng)一圖像質(zhì)量，將圖像像素大小設(shè)為500×500，構(gòu)建連鑄坯表面缺陷圖像數(shù)據(jù)集。如圖8所示，數(shù)據(jù)集由1類正常圖像和5類缺陷圖像組成，分別為分布在鑄坯角部的劃痕（cornerscratch，Cs）、角裂紋（cornercrack，Cc），出現(xiàn)在鑄坯寬面上的縱裂紋（longitudinalcrack，Lc）、結(jié)疤（scarring，Sc）和夾渣、凹陷等其他缺陷（otherdefects，Od），每類缺陷600張，共計(jì)3600張，按7∶2∶1的比例劃分訓(xùn)練集、驗(yàn)證集和測試集，并使用Mosaic數(shù)據(jù)增強(qiáng)[23]，進(jìn)行模型訓(xùn)練。

2.3實(shí)驗(yàn)設(shè)備及評價(jià)指標(biāo)

缺陷檢測算法訓(xùn)練和測試使用的顯卡為NVIDIAGeForceRTX4070Ti，使用Pytorch作為深度學(xué)習(xí)框架搭建模型，具體環(huán)境配置為Python3.9+PyTorch2.0.0+Cuda11.8+cuDNN8.9.3，訓(xùn)練批次（BatchSize）為16，學(xué)習(xí)率為0.01，模型訓(xùn)練周期（Epoch）為200。

對于改進(jìn)前后的模型，選用精確率P（Precision）、召回率R（Recall）、F1參數(shù)、平均精度均值mAP（meanaverageprecision）為評價(jià)指標(biāo)。

P=TPTP+FP，（5）

R=TPTP+FN，（6）

式中：TP為預(yù)測待測缺陷被正確檢測到的數(shù)量；FP為預(yù)測非待測缺陷被檢測為待測缺陷的數(shù)量；FN為預(yù)測待測缺陷被錯(cuò)誤檢測到的數(shù)量。

F1=2PRP+R，（7）

式中：F1為P和R的加權(quán)調(diào)和平均。F1越大，模型穩(wěn)定性越好。

AP=∫10P（R）dR，（8）

mAP=∑Ni=1[DD）]APiN，（9）

式中：AP為檢測某一類缺陷的平均準(zhǔn)確率；N為被測類別數(shù)量。選取mAP@0.5作為模型準(zhǔn)確度的評價(jià)指標(biāo)（mAP@0.5代表將IOU閾值取0.5時(shí)的mAP值）。

使用幀率FPS（framespersecond）、參數(shù)量（params）、計(jì)算量即每秒浮點(diǎn)運(yùn)算次數(shù)（GFLOPs），衡量模型處理圖像的速率、參數(shù)量大小和計(jì)算復(fù)雜程度（計(jì)算量越小，運(yùn)行效率越高）。

3實(shí)驗(yàn)分析

3.1注意力機(jī)制實(shí)驗(yàn)

為驗(yàn)證ELAN-S模塊中SimAM注意力機(jī)制的先進(jìn)性，基于對YOLOv7-Tiny網(wǎng)絡(luò)的改進(jìn)，引入SimAM等4種不同注意力機(jī)制，進(jìn)行對比實(shí)驗(yàn)，生成注意力機(jī)制熱圖，并使用XGrad-CAM進(jìn)行可視化分析[24]。將5種不同注意力機(jī)制即SimAM、CA、SE、ECA、CBAM分別加入后進(jìn)行對比試驗(yàn)。圖9為加入不同注意力機(jī)制的熱力圖，表1為使用不同注意力機(jī)制后模型的實(shí)驗(yàn)數(shù)據(jù)。

由圖9可以得出，對于角部劃痕缺陷，加入注意力機(jī)制后，對缺陷目標(biāo)的關(guān)注度明顯提高，對比其他注意力機(jī)制，SimAM對缺陷位置的關(guān)注度最高、檢測效果更好，從可視化的角度說明了SimAM注意力機(jī)制的優(yōu)越性。

由表1可得出，YOLOv7-Tiny模型加入不同注意力機(jī)制后，其F1值和mAP@0.5值均有相應(yīng)提升，加入SimAM后，相較于其他模型F1值提升了3%，網(wǎng)絡(luò)模型穩(wěn)定度較高；其mAP@0.5值和模型召回率R值提升較為明顯，分別提升了2.8%和3.9%，是5種注意力對比實(shí)驗(yàn)中的最高值，證明了加入SimAM注意力機(jī)制的模型具備更好的檢測能力和更高的穩(wěn)定性。

綜上所述，注意力機(jī)制對比實(shí)驗(yàn)從數(shù)據(jù)指標(biāo)和可視化角度共同表明，加入SimAM注意力機(jī)制可以有效提高模型對目標(biāo)的關(guān)注程度，加強(qiáng)細(xì)節(jié)特征，提升網(wǎng)絡(luò)模型的容錯(cuò)率，提高模型的檢測性能。

3.2消融實(shí)驗(yàn)

為了驗(yàn)證對YOLOv7-Tiny算法所做的各項(xiàng)改進(jìn)對表面缺陷檢測的影響，在改進(jìn)模型的基準(zhǔn)上，保持相同實(shí)驗(yàn)條件的同時(shí)對ELAN-S和C2f_RG進(jìn)行效果驗(yàn)證，開展了如表2所示的實(shí)驗(yàn)（“√”為添加此模塊）。

由表2中消融實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，Model2中引入ELAN-S模塊改進(jìn)高效層聚合網(wǎng)絡(luò)后，模型的檢測精度mAP@0.5值為88%，提高了2.4％，效果顯著，但模型的計(jì)算量和參數(shù)量都有小幅增加；Model3配置C2f_RG模塊后，與Model1相比，其檢測精度值提高了1.5%，計(jì)算量值減少了0.9GFLOPs、參數(shù)量下降0.47×106，明顯降低了模型所需的運(yùn)算成本；Model4為將2個(gè)模塊同時(shí)引入原模型，與YOLOv7-Tiny模型相比，在計(jì)算量和參數(shù)量分別減少0.9GFLOPs和0.46×106的情況下，檢測精度值為88.4%，提高了2.8%。實(shí)驗(yàn)表明：2種模塊相結(jié)合對模型改進(jìn)和檢測效果的提升幫助明顯，且優(yōu)于單一模塊的作用。

消融實(shí)驗(yàn)訓(xùn)練結(jié)果如圖10所示。圖10a）表示Epoch-mAP@0.5曲線圖，圖10b）表示Epoch-Recall曲線圖。從圖中可以看出本文提出的YOLOv7-Tiny+ELAN-S+C2f-RG綜合對比其他改進(jìn)算法效果最好，具有更好的模型檢測性能和更高的模型穩(wěn)定性。

3.3YOLOv7-TSCR與其他算法對比實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證YOLOv7-TSCR算法的有效性和先進(jìn)性，設(shè)計(jì)了改進(jìn)算法與其他主流YOLO目標(biāo)檢測算法間的對比試驗(yàn)，在保持實(shí)驗(yàn)環(huán)境不變且統(tǒng)一訓(xùn)練200輪的情況下，實(shí)驗(yàn)結(jié)果如表3所示。本文提出的改進(jìn)網(wǎng)絡(luò)模型的性能均優(yōu)于表中其他模型；對比輕量化YOLOv3-Tiny和YOLOv5s模型，改進(jìn)算法mAP@0.5指標(biāo)分別提升了27.6%和2.6%，檢測速度提升了25FPS；改進(jìn)后的網(wǎng)絡(luò)較原YOLOv7-Tiny模型的每類缺陷檢測準(zhǔn)確度都有提升，參數(shù)量減少了0.46×106，mAP@0.5值提升了2.8%，速度提升了9FPS。實(shí)驗(yàn)結(jié)果表明，本文提出的YOLOv7-TSCR算法具有更好的缺陷檢測性能，SimAM無參數(shù)注意力機(jī)制的引入使網(wǎng)絡(luò)模型更加關(guān)注缺陷形貌特征，提升了各類缺陷的識(shí)別精度；C2f_RG模塊的引入在增強(qiáng)網(wǎng)絡(luò)特征融合能力的同時(shí)保持較少的計(jì)算量和參數(shù)量，提升了模型運(yùn)算和決策速度，有效提升檢測效率。綜上所述，改進(jìn)模型在檢測精度、速度和參數(shù)量等方面取得了較好的平衡，可以滿足連鑄坯表面缺陷檢測需求。

算法改進(jìn)前后的部分缺陷檢測效果對比如圖11所示，方框數(shù)值代表檢測置信度。由圖11a）可知，基準(zhǔn)網(wǎng)絡(luò)能識(shí)別出形貌特征較為明顯的缺陷，但在復(fù)雜背景的干擾下部分缺陷的形貌特征難以識(shí)別，存在較為嚴(yán)重的缺陷漏檢情況；由圖11b）可知，YOLOv7-TSCR算法能彌補(bǔ)角部裂紋等缺陷識(shí)別效果不佳的現(xiàn)象，且算法預(yù)測框能夠精準(zhǔn)地包裹在缺陷特征周圍，提高了對缺陷目標(biāo)的定位準(zhǔn)確度，充分說明了改進(jìn)的YOLOv7-TSCR算法具有較強(qiáng)的特征感知和特征提取能力，從檢測結(jié)果可視化的角度證明改進(jìn)算法具有一定的優(yōu)勢。

3.4泛化性對比實(shí)驗(yàn)

為了更加全面的評價(jià)YOLOv7-TSCR網(wǎng)絡(luò)的檢測性能，選取東北大學(xué)公開的鋼板表面缺陷數(shù)據(jù)集（NEU-DET）進(jìn)行模型泛化能力實(shí)驗(yàn)。其中包含圖12中熱軋帶鋼表面的6類缺陷（每類300張圖片），分別為劃痕（Sc）、斑塊（Pa）、夾雜物（In）、點(diǎn)蝕表面（Ps）、軋制氧化皮（Rs）和開裂（Cr）。將1800張圖像按照8∶2的比例，劃分為訓(xùn)練集和驗(yàn)證集（訓(xùn)練集1440張、驗(yàn)證集360張），進(jìn)行算法缺陷檢測對比實(shí)驗(yàn)。由表4可知，除對軋制氧化皮（Rs）缺陷的平均檢測精度低以外，改進(jìn)后算法在其他缺陷種類的平均檢測精度上均有所提升，證明了在公開數(shù)據(jù)集上YOLOv7-TSCR模型的檢測效果優(yōu)于原網(wǎng)絡(luò)架構(gòu)，具有一定的廣泛應(yīng)用價(jià)值。

4結(jié)語

本文利用機(jī)器視覺在線檢測設(shè)備，建立了連鑄坯表面缺陷數(shù)據(jù)集，基于YOLOv7網(wǎng)絡(luò)提出了一種融合重參數(shù)化和注意力機(jī)制的鑄坯表面缺陷輕量化檢測算法。改進(jìn)算法將原網(wǎng)絡(luò)Backbone層中的ELAN模塊替換為融合Mish和SiLU激活函數(shù)及SimAM注意力機(jī)制的高效聚合模塊ELAN-S，提升了網(wǎng)絡(luò)特征提取能力。將原網(wǎng)絡(luò)Head層中的ELAN模塊替換為C2f_RG模塊，使算法在參數(shù)量減少的同時(shí)獲得更豐富的梯度流信息，有效提高了檢測精度并且保證了算法的輕量化。通過在自制連鑄坯表面缺陷數(shù)據(jù)集上的對比實(shí)驗(yàn)，證明了YOLOv7-TSCR模型的先進(jìn)性，與YOLOv7-Tiny模型相比，參數(shù)量減少了0.46×106，檢測精度均值提高了2.8%，處理速度達(dá)到120FPS。同時(shí)，該算法在公開的NEU-DET帶鋼缺陷數(shù)據(jù)集上進(jìn)行檢測實(shí)驗(yàn)，體現(xiàn)出良好的缺陷檢測準(zhǔn)確性，具有較強(qiáng)的檢測泛化能力，符合在線檢測的要求。

參考文獻(xiàn)/References：

[1]康旭輝.連鑄方坯的常見表面缺陷及控制[J].中國金屬通報(bào)，2023（1）：156-158.

KANGXuhui.Commonsurfacedefectsandcontrolofcontinuouscastingbillets[J].ChinaMetalBulletin，2023（1）：156-158.

[2]王田田，楊樹峰，李京社，等.連鑄坯皮下氣泡缺陷成因及控制[J].中國冶金，2020，30（12）：35-43.

WANGTiantian，YANGShufeng，LIJingshe，etal.Causesandcontrolofsubcutaneousbubbledefectsincontinuouscastingbillets[J].ChinaMetallurgy，2020，30（12）：35-43.

[3]黃軍，王寶峰，張雪元，等.高溫鑄坯表面缺陷在線檢測技術(shù)開發(fā)及應(yīng)用[J].連鑄，2022（6）：61-67.

HUANGJun，WANGBaofeng，ZHANGXueyuan，etal.Developmentandapplicationofonlinedetectiontechnologyforsurfacedefectsofhightemperaturebillets[J].ContinuousCasting，2022（6）：61-67.

[4]ZHAOLiming，LIFangfang，ZHANGYi，etal.Adeep-learning-based3DdefectquantitativeinspectionsysteminCCproductssurface[J].Sensors，2020.DOI：10.3390/s20040980.

[5]DESHPANDEAM，MINAIAA，KUMARM.One-shotrecognitionofmanufacturingdefectsinsteelsurfaces[J].ProcediaManufacturing，2020，48：1064-1071.

[6]LIUWei，ANGUELOVD，ERHAND，etal.SSD：SingleshotMultiBoxdetector[C]//14thEuropeanConferenceComputerVision：ECCV2016.Amsterdam：Springer，2016：21-37.

[7]REDMONJ，DIVVALAS，GIRSHICKR，etal.Youonlylookonce：Unified，Real-Timeobjectdetection[C]//2016IEEEConferenceonComputerVisionandPatternRecognition（CVPR）.LasVegas：IEEE，2016：779-788.

[8]劉艷菊，王秋霽，趙開峰，等.基于卷積神經(jīng)網(wǎng)絡(luò)的熱軋鋼條表面實(shí)時(shí)缺陷檢測[J].儀器儀表學(xué)報(bào)，2021，42（12）：211-219.

LIUYanju，WANGQiuji，ZHAOKaifeng，etal.Real-timedefectdetectionofhotrollingsteelbarbasedonconvolutionneuralnetwork[J].ChineseJournalofScientificInstrument，2021，42（12）：211-219.

[9]趙春華，羅順，譚金鈴，等.基于PC-YOLOv7算法鋼材表面缺陷檢測[J].國外電子測量技術(shù)，2023，42（9）：137-145.

ZHAOChunhua，LUOShun，TANJinling，etal.DetectionofsteelsurfacedefectsbasedonPC-YOLOv7algorithm[J].ForeignElectronicMeasurementTechnology，2023，42（9）：137-145.

[10]盧俊哲，張鋮怡，劉世鵬，等.面向復(fù)雜環(huán)境中帶鋼表面缺陷檢測的輕量級DCN-YOLO[J].計(jì)算機(jī)工程與應(yīng)用，2023，59（15）：318-328.

LUJunzhe，ZHANGChengyi，LIUShipeng，etal.LightweightDCN-YOLOforstripsurfacedefectdetectionincomplexenvironments[J].ComputerEngineeringandApplications，2023，59（15）：318-328.

[11]王睿澤，孫鐵強(qiáng)，宋超，等.基于改進(jìn)YOLOv3算法的連鑄坯表面缺陷檢測[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2023（1）：75-78.

WANGRuize，SUNTieqiang，SONGChao，etal.SurfacedefectdetectionofcontinuouscastingslabbasedonimprovedYOLOv3algorithm[J].ModularMachineToolamp;AutomaticManufacturingTechnique，2023（1）：75-78.

[12]竇智，胡晨光，李慶華，等.改進(jìn)YOLOv7的小樣本鋼板表面缺陷檢測算法[J].計(jì)算機(jī)工程與應(yīng)用，2023，59（23）：283-292.

DOUZhi，HUChenguang，LIQinghua，etal.ImprovedYOLOv7algorithmforsmallsamplesteelplatesurfacedefectdetection[J].ComputerEngineeringandApplications，2023，59（23）：283-292.

[13]HUJie，SHENLi，SUNGang.Squeeze-and-Excitationnetworks[C]//2018IEEE/CVFConferenceonComputerVisionandPatternRecognition.SaltLakeCity：IEEE，2018：7132-7141.

[14]高春艷，秦?zé)?，李滿宏，等.改進(jìn)YOLOv7算法的鋼材表面缺陷檢測研究[J].計(jì)算機(jī)工程與應(yīng)用，2024，60（7）：282-291

GAOChunyan，QINShen，LIManhong，etal.ResearchonsteelsurfacedefectdetectionwithimprovedYOLOv7algorithm[J].ComputerEngineeringandApplications，2024，60（7）：282-291.

[15]李偉，姚小敏，張鵬超，等.改進(jìn)的YOLO-V7鋼材表面缺陷檢測算法研究[J/OL].機(jī)械科學(xué)與技術(shù).（2023-12-22）[2024-03-02].https：//link.cnki.net/doi/10.13433/j.cnki.1003-8728.20230368.

LIWei，YAOXiaomin，ZHANGPengchao，etal.ResearchonimprovedYOLO-V7steelsurfacedefectdetectionalgorithm[J/OL].MechanicalScienceandTechnologyforAerospaceEngineering.（2023-12-22）[2024-03-02].https：//link.cnki.net/doi/10.13433/j.cnki.1003-8728.20230368.

[16]WANGCY，BOCHKOVSKIYA，LIAOH.YOLOv7：Trainablebag-of-freebiessetsnewstate-of-the-artforreal-timeobjectdetectors[C]//2023IEEE/CVFConferenceonComputerVisionandPatternRecognition（CVPR）.VancouverBC：IEEE，2023：7464-7475.

[17]劉浩翰，樊一鳴，賀懷清，等.改進(jìn)YOLOv7-tiny的目標(biāo)檢測輕量化模型[J].計(jì)算機(jī)工程與應(yīng)用，2023，59（14）：166-175.

LIUHaohan，F(xiàn)ANYiming，HEHuaiqing，etal.ImprovedYOLOv7-tiny′sobjectdetectionlightweightmodel[J].ComputerEngineeringandApplications，2023，59（14）：166-175.

[18]XUJin，LIZishan，DUBowen，etal.Reluplexmademorepractical：LeakyReLU[C]//2020IEEESymposiumonComputersandCommunications（ISCC）.Rennes：IEEE，2020：1-7.

[19]NADERA，AZARD.Searchingforactivationfunctionsusingaself-adaptiveevolutionaryalgorithm[C]//Proceedingsofthe2020GeneticandEvolutionaryComputationConferenceCompanion.Cancun：Associationforcomputingmachinery，2020：145-146.

[20]YANGLingxiao，ZHANGRuyuan，LILida，etal.Simam：Asimple，parameter-freeattentionmoduleforconvolutionalneuralnetworks[J].ProceedingsofMachineLearningResearch，2021，139：11863-11874.

[21]ZHAOZhiwei，SONGLili，HANJianfeng.Animprovedobjectdetectionmodelforautonomouspilotofengineeringinspection[C]//Proceedingsofthe20215thInternationalConferenceonDigitalSignalProcessing.Chengdu：AssociationforComputingMachinery，2021：243-248.

[22]CHENC，GUOZ，ZENGH，etal.Repghost：Ahardware-efficientghostmoduleviare-parameterization[EB/OL].（2022-11-11）[2024-03-02].https：//arxiv.org/abs/2211.06088.

[23]WANGHao，SONGZhili.Improvedmosaic：Algorithmsformorecompleximages[J].JournalofPhysics：ConferenceSeries，2020.DOI：10.1088/1742-6596/1684/1/012094.

[24]SELVARAJURR，COGSWELLM，DASA，etal.Grad-CAM：VisualexplanationsfromdeepnetworksviaGradient-Basedlocalization[C]//2017IEEEInternationalConferenceonComputerVision（ICCV）.Venice：IEEE，2017：618-626.

收稿日期：2024-03-04；修回日期：2024-04-11；責(zé)任編輯：馮民

基金項(xiàng)目：

國家自然科學(xué)基金（51904107）；中央引導(dǎo)地方科技發(fā)展資金項(xiàng)目（236Z1017G）；河北省博士研究生創(chuàng)新資助項(xiàng)目（CXZZBS2021096）；

唐山市市級科技計(jì)劃項(xiàng)目（22130220G）

第一作者簡介：

曾凱（1990—），男，河北唐山人，講師，碩士，主要從事連鑄坯質(zhì)量檢測與控制方面的研究。

通信作者：陳波，教授。E-mail：chenbo182001@163.com

曾凱，陳波，馬智華，等.

基于YOLOv7-TSCR的連鑄坯表面缺陷檢測［J］.河北科技大學(xué)學(xué)報(bào)，2024，45（4）：351-361.

ZENGKai，CHENBo，MAZhihua，etal.SurfacedefectdetectionofcontinuouscastingbilletsbasedonYOLOv7-TSCR

［J］.JournalofHebeiUniversityofScienceandTechnology，2024，45（4）：351-361.