一种热轧带钢表面缺陷检测方法

本发明涉及一种热轧带钢表面缺陷检测方法。

背景技术：

1、在钢铁生产中，热轧带钢是一种重要的钢材产品，广泛应用于各个工业领域。然而，由于生产工艺等原因，带钢常出现表面缺陷，如开裂、点蚀和内含物等，严重影响其性能和质量。因此，实时在线检测带钢表面缺陷显得尤为重要。

2、传统的带钢表面缺陷检测方法主要依赖人工目视检查，这种方式效率低且容易遗漏缺陷，导致检测结果不准确。随着机器视觉技术的发展，基于图像处理的自动化检测方法逐渐应用于带钢表面缺陷检测中。然而，传统图像处理算法在面对带钢表面缺陷纹理多样且尺度不一的情况下，检测效果不理想，存在通用性和鲁棒性较差的问题。

3、近年来，深度学习技术在图像识别领域取得了显著进展，基于深度学习的缺陷检测方法逐渐成为研究热点。深度学习算法无需人工显式设计特征提取方式，可以对大量不同场景和条件下的数据进行训练，得到适合不同场景的网络模型。然而，现有深度学习模型在带钢表面缺陷检测中的准确性和效率方面仍有待提高。

4、因此，提供一种新的具有更高准确性和效率的带钢表面缺陷检测方法，成为亟需解决的技术问题。

技术实现思路

1、本发明是为了解决上述现有技术存在的问题而提供一种热轧带钢表面缺陷检测方法。

2、本发明所采用的技术方案有：

3、一种热轧带钢表面缺陷检测方法，包括如下步骤：

4、s1)对原始yolov8网络模型进行改进，得到改进的yolov8网络模型，所述改进点为：

5、(1)将原始主干网络中的c2f模块替换为msc2f模块，所述msc2f模块包括第一卷积层、第二卷积层和msblock；

6、(2)将原始颈部网络中的concat模块替换为gs-sdi模块，所述gs-sdi模块是将sdi模块中的所有卷积层替换为gsconv模块；

7、(3)将原始检测头替换为gsp-head；

8、(4)将原始网络训练时的边框回归损失函数ciou替换为inner-ciou；

9、s2)利用公开数据集对改进的yolov8网络模型进行训练；

10、s3)将待检测的热轧带钢输入训练后的网络模型，利用改进的yolov8网络模型对热轧带钢表面的缺陷进行识别。

11、进一步地，所述msc2f模块的实现方法为：

12、首先通过第一卷积层对输入特征图进行处理，得到的输出特征图被分割为两部分，分别为第一部分特征图和第二部分特征图；

13、通过msblock对第一部分特征图进行处理，将处理后的第一部分特征图和第二部分特征图在通道维度上进行拼接，得到拼接后的特征图，拼接后的特征图通过第二卷积层进行处理，得到最终msc2f模块输出特征图。

14、进一步地，所述msblock模块包括通道扩展卷积层、中间卷积层组合和输出卷积层，msblock模块的实现方法为：

15、首先通过输入通道扩展卷积层对输入的第一部分特征图进行处理，得到通道扩展后的特征图；

16、将所述通道扩展后的特征图分割为多个部分，每个部分特征图依次通过中间卷积层组合进行处理；

17、将中间卷积层组合输出的特征图在通道维度上进行拼接，得到拼接后的特征图，拼接后的特征图通过输出卷积层进行处理，得到最终msblock模块输出特征图。

18、进一步地，所述中间卷积层组合包括若干个中间卷积层，所述中间卷积层为msblocklayer模块，msblocklayer模块包括第三卷积层、第四卷积层和第五卷积层；通过第三卷积层对输入至中间卷积层的特征图进行处理，得到中间特征图；

19、接着，中间特征图通过第四卷积层进行处理，得到处理后的特征图，最后，处理后的特征图通过第五卷积层进行处理，得到中间卷积层组合输出特征图。

20、进一步地，所述gsp-head模块包括第八卷积层、第九卷积层、第十卷积层和第十一卷积层，gsp-head模块的实现方法为：

21、将输入特征图依次通过第八卷积层和第九卷积层进行特征整合，得到处理后的特征图，然后将处理后的特征图通过第十卷积层得到回归特征图并计算回归损失，通过第十一卷积层得到分类特征图并计算分类损失。

22、进一步地，所述第八卷积层采用gsconv模块。

23、进一步地，所述gsconv模块包括第六卷积层和第七卷积层，通过第六卷积层对输入特征图进行处理，得到中间特征图，中间特征图通过第七卷积层进行处理，得到处理后的特征图；将处理后的特征图与第六卷积层的输出特征图在通道维度上进行拼接，得到拼接后的特征图，拼接后的特征图通过重组操作，将其重新排列为两个通道的特征图，并在通道维度上进行拼接，得到最终gsconv模块输出特征图。

24、进一步地，所述第六卷积层的输入通道数为c1，输出通道数为c_，卷积核大小为k，步长为s，填充为p，分组数为g，膨胀率为d，激活函数为默认激活函数；

25、所述第七卷积层的输入通道数为c_，输出通道数为c_，卷积核大小为5，步长为1，填充为p，分组数为c_，膨胀率为d，激活函数为默认激活函数。

26、本发明具有如下有益效果：

27、本发明具有较高的准确性和可靠性，在提高钢材质量和生产效率方面具有重要的实际意义和应用前景。

技术特征：

1.一种热轧带钢表面缺陷检测方法，其特征在于：包括如下步骤：

2.如权利要求1所述的热轧带钢表面缺陷检测方法，其特征在于：所述msc2f模块的实现方法为：

3.如权利要求2所述的热轧带钢表面缺陷检测方法，其特征在于：所述msblock模块包括通道扩展卷积层(3)、中间卷积层组合(4)和输出卷积层(9)，通过输入通道扩展卷积层(3)对输入的第一部分特征图进行处理，得到通道扩展后的特征图；

4.如权利要求3所述的热轧带钢表面缺陷检测方法，其特征在于：所述中间卷积层组合(4)包括若干个中间卷积层(5)，所述中间卷积层(5)为msblocklayer模块，msblocklayer模块包括第三卷积层(6)、第四卷积层(7)和第五卷积层(8)，通过第三卷积层(6)对输入至中间卷积层(5)的特征图进行处理，得到中间特征图；

5.如权利要求1所述的热轧带钢表面缺陷检测方法，其特征在于：所述gsp-head模块包括第八卷积层(16)、第九卷积层(17)、第十卷积层(18)和第十一卷积层(19)，将输入特征图依次通过第八卷积层(16)和第九卷积层(17)进行特征整合，得到处理后的特征图，然后将处理后的特征图通过第十卷积层(18)得到回归特征图并计算回归损失，通过第十一卷积层(19)得到分类特征图并计算分类损失。

6.如权利要求5所述的热轧带钢表面缺陷检测方法，其特征在于：所述第八卷积层(16)采用gsconv模块。

7.如权利要求1或6所述的热轧带钢表面缺陷检测方法，其特征在于：所述gsconv模块包括第六卷积层(14)和第七卷积层(15)，

8.如权利要求7所述的热轧带钢表面缺陷检测方法，其特征在于：所述第六卷积层(14)的输入通道数为c1，输出通道数为c_，卷积核大小为k，步长为s，填充为p，分组数为g，膨胀率为d，激活函数为默认激活函数；

技术总结本发明公开了一种热轧带钢表面缺陷检测方法，对原始YOLOv8网络模型进行改进，得到改进的YOLOv8网络模型，利用公开数据集对改进的YOLOv8网络模型进行训练；将待检测的热轧带钢输入训练后的网络模型，利用改进的YOLOv8网络模型对热轧带钢表面的缺陷进行识别。本发明具有较高的准确性和可靠性，在提高钢材质量和生产效率方面具有重要的实际意义和应用前景。技术研发人员：李兴成,凌烁轩,阮龙森,司少杰,沈秋,李瑶瑶受保护的技术使用者：江苏理工学院技术研发日：技术公布日：2024/12/23