圆钢作为一种重要的工业原材料，广泛应用于航空航天设备、汽车组件、工业设备等生产制造场景。圆钢的质量直接决定了以其为原材料的工业成品质量。圆钢表面缺陷检测技术是保障圆钢生产质量的关键，发展该技术是提高企业竞争力的重要环节，掌握实时高效、稳定、高精度的圆钢表面质量检测技术将是圆钢生产企业抢占新一代工业革命制高点的关键一步。圆钢作为一种断面钢材，其表面成像装置不同于板带类钢材，因此，实现圆钢表面检测的首要环节是设计圆钢表面图像采集装置。宋晓霞等设计6个CCD相机获取钢球表面图像，利用红色LED漫光源减小表面反射影响，提出了一种钢球表面缺陷自动检测方法；严旭果等设计了一种圆钢表面图像采集系统，开发了多个高速相机环形布置的成像技术。

图像采集装置设计完成后，需要设计相应的表面缺陷检测方法。钢铁表面缺陷检测技术主要有以下3种：人工目视检测方法、传统无损检测方法、机器视觉方法。对于传统的人工目视检测方法，由于该方法时效性差、缺乏人身安全保障，已经难以满足圆钢高速生产线的自动表面缺陷检测需求。传统无损检测方法主要利用涡流、超声波、漏磁等技术实现，无损检测方法仅能检测特定的几种缺陷，如裂纹、凹凸缺陷。因此，传统无损检测方法存在泛化能力差、实时性较差的问题，难以满足多类复杂表面缺陷在线检测需求。随着传统计算机视觉检测技术的发展，利用边缘检测、阈值分割、对比度增强等图像特征提取算法结合小波变换分析、遗传算法等可以实现钢材表面缺陷的检测。Yun J P等基于非抽样小波变换和垂直投影剖面方法提出了一种钢坯表面缺陷检测算法。QU Z G等提出了一种基于空间频域梯度图像阈值化的轮廓检测方法。顾爱华等提出了一种基于支持向量数据描述的板坯表面缺陷检测方法。Mohanmad A R利用背景图像的纹理特征对缺陷区域进行分割，提出了一种自动检测和定位表面缺陷的方法。Nand G K等为了克服传统分割方法和大津法等自适应分割方法的局限性，提出了一种新的基于熵的缺陷检测算法。基于热轧圆钢生产的特殊性，针对传统图像处理方法处理含有噪声和畸变的图像时存在计算效率低、检测精度差的问题，YAN X G等将改进的PCA与遗传算法相结合进行特征选择，实现了智能、快速、准确筛选疑似缺陷的圆钢表面图像；SONG G R等采用拉普拉斯正则化作为平滑度约束以扩大缺陷对象和背景之间的距离，提高了带钢表面缺陷检测的鲁棒性。传统机器视觉算法在一定程度上满足钢材表面多类缺陷在线检测的需求，但存在特征提取模型设计复杂、算法泛化能力差、检测精度较低等问题。

随着深度学习、神经网络技术的不断发展，AI学习算法与视觉传感技术的飞速发展为表面缺陷检测研究带来了新的机遇与挑战。Krizhevsky A等提出AlexNet卷积神经网络，该网络在ImageNet图像识别比赛夺得冠军。因此，基于机器学习、深度学习的钢材表面缺陷检测技术研究受到了国内外学者的关注。Aghdam S R等提出了一种基于决策树的快速准确钢板表面缺陷分类方法。GONG R等基于不同的特征向量数据集，提出了一种带钢表面缺陷(棒)区域的快速检测方法。Bulnes F G等将图像分割成一组重叠区域，使用遗传算法自动确定检测技术配置参数的最佳值，最终使用神经网络对所有缺陷进行分类。LI J等改进了YOLO网络模型，并有效实现了6种类型的缺陷检测。蔡松錢采用拉普拉斯算子进行图像增强，利用Faster R-CNN实现划痕、补片、夹杂等缺陷的分类与边框定位。Damacharla P等提出基于转移学习的U-Net框架来检测钢材表面缺陷。廉家伟等提出一种基于多尺度压缩卷积神经网络模型来进行表面缺陷快速检测，能够在保证卷积神经网络识别准确度的同时大幅度提高模型的识别效率。刘孝保等针对因仅考虑纹理特征而造成铝型材表面缺陷检测精度较低问题，提出了一种主从特征融合驱动的表面缺陷检测模型。

近年来，深度学习技术在热轧带钢等板材类表面缺陷的研究与应用受到广泛关注，而针对圆钢表面缺陷检测的相关研究和应用还较少，其主要原因是缺少相关数据集、没有实际生产线的应用支撑、缺少相关针对性的算法模型设计。因此，本文从图像采集装置设计、数据集建立、网络模型构建、网络模型训练等方面研究基于深度学习的圆钢表面缺陷检测技术。本文的主要工作有以下几个方面：

(1)针对圆钢生产线的特点、主要表面缺陷类别，设计了圆钢表面图像采集装置，建立了包含耳子、划伤、辊印、氧化铁皮带等7种缺陷样本的圆钢表面缺陷图像数据集。

(2)针对多类缺陷样本之间特征存在相似性的情况，为提升网络模型训练过程中特征提取的准确性，将一种特殊的非缺陷类样本(命名为哈弗面)加入网络模型的训练；结果表明，训练该类样本后，使得网络模型的检测精度有效提升。

(3)针对YOLOv5网络对圆钢表面缺陷分类存在误报和漏报的问题，本文引入EfficientNet网络先进行优先分类判定，再进一步结合YOLOv5网络定位缺陷位置，可有效减少误报和漏报。

精 选 图 表

(1) 本文提出一种EfficientNet分类优先网络+YOLOv5的圆钢表面缺陷检测方法，首先，设计满足圆钢表面缺陷检测需求的成像装置；其次，建立多类圆钢表面缺陷的数据集；然后，设计EfficientNet分类优先网络+YOLOv5的网络模型；最后，利用深度迁移学习方法进行网络模型的训练。

(3)本文的方法是深度学习技术在圆钢表面缺陷检测的初步应用，对保障圆钢生产质量具有重要意义，同时也为类似工程应用需求提供了理论指导，具有广阔的推广应用前景。在未来，将进一步扩充数据集，提升数据集质量和样本分布的均衡性，同时将该方法推广并应用于更多钢铁生产线。

来源：《中国冶金》2022年第12期

往期精彩回顾

1. 2022年度《钢铁》优秀编委、优秀审稿专家名单及2022年评选的优秀论文TOP15

2. 2022年度《中国冶金》优秀编委、优秀审稿专家名单及2020年优秀论文TOP15

3. 2022年度《连铸》优秀编委、优秀青年编委、优秀审稿专家、优秀特邀主编名单及2020年优秀论文TOP5

4. 《钢铁》2023年献礼东大百年华诞“钢铁关键共性技术”专刊征稿启事

5. 【征稿通知】《连铸》2023年“连铸坯冶金缺陷控制技术”专刊

6 .【征稿通知】《连铸》2023年“薄板坯与薄带连铸”专刊 返回搜狐，查看更多