唐山工业职业技术大学;河北省高校动车组智能制造与运维应用技术研发中心;河北科技学院;
带钢作为一种重要的原材料已经应用到各个行业，其质量的优劣直接关系到最终产品的性能与质量。为了更准确地检测带钢表面缺陷，控制带钢质量，提出了一种冷轧带钢表面缺陷的检测模型。该模型在YOLOv5框架下进行改进，主要有3个方面：通过引入注意力机制模块以增强特征抽取架构；通过采用SIOU(Sum of Intersection over Union)损失函数来优化模型训练过程；通过改进置信度预测的损失函数以增强模型在识别真实对象时的精准度。经过实验验证，所提出的改进模型可以有效地进行冷轧带钢表面缺陷的检测，且与同类算法YOLOv4和YOLOv5相比，检测的平均准确度都有所提升。
| 20 | 0 | 19 |
| 下载次数 | 被引频次 | 阅读次数 |
[1]康麟.冷轧带钢表面缺陷问题的分析与控制[J].山西冶金,2023(12):266-268.
[2]李跃,王子铭,李鑫林,等.带钢表面缺陷检测方法研究进展[J].钢铁研究学报,2023(8):950-962.
[3]朱嘉骏,李英,唐志勇.基于PSO-SVM的带钢表面缺陷检测[J].长春理工大学学报(自然科学版),2024(1):42-51.
[4]陈法法,邓斌,刘莉莉,等.混合特征集与MK-SVM的带钢表面缺陷辨识[J].机械科学与技术,2023(5):785-792.
[5]李易铭.基于深度学习的带钢表面缺陷检测方法研究[D].合肥：合肥学院,2023:12-27.
[6]房娟艳,孟金葆,魏长城,等.基于改进YOLOX-s算法的印刷电路板缺陷检测[J].皖西学院学报,2023(2):46-54.
[7]左涛,周慧龙,原伟哲.基于改进YOLOv5的车辆红外图像多目标识别方法[J].计算机测量与控制,2024(8):1-11.
[8]邓慧,曾磊.基于改进Faster R-CNN的热轧带钢表面缺陷检测[J].控制工程,2024(4):752-759.
[9]贾东鑫,姚剑敏,严群,等.基于小样本深度学习的热轧带钢表面缺陷检测[J].信息技术与信息化,2023(6):182-185.
[10]于波,张新凯,王卫.基于STMR-CNN的热轧带钢表面缺陷检测[J].计算机系统应用,2022(10):122-133.
[11]梁秀满,肖寒.基于SDD-YOLO的轻量级带钢缺陷实时检测算法[J/OL].中国测试,1-8[2024-08-20].http://kns.cnki.net/kcms/detail/51.1714.TB.20230109.1648.002.html.
[12]季娟娟,王佳,陈亚杰,等.基于改进YOLO v4的热轧带钢表面缺陷检测[J].计算机工程与设计,2023(9):2786-2793.
[13]程豪,蒋占四,陈晓鑫,等.基于改进YOLOv5算法的带钢表面缺陷检测[J].组合机床与自动化加工技术,2023(10):141-144+149.
[14]卢海滨.基于YOLOv5s的钢材表面缺陷检测研究[D].大庆：东北石油大学,2023:30-31.
[15]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(8):150-157.
基本信息:
DOI：10.16825/j.cnki.cn13-1400/tb.2025.02.002
中图分类号:TP391.41;TG115.28
引用信息:
[1]曾艳,吴泽启,张天有等.一种冷轧带钢表面缺陷检测模型[J].工业技术与职业教育,2025,23(02):13-18.DOI:10.16825/j.cnki.cn13-1400/tb.2025.02.002.
基金信息:
教育部高等学校科学研究发展中心项目“激光切割钢板智能码垛机器人研究”(课题编号：2023DT020)，主持人吴泽启