基于改进YOLOv3的钢卷端面缺陷检测应用研究

段聪昊，王西峰，姬丽娟，曹润宁

(1.机械科学研究总院集团有限公司，北京 100044；2.机科发展科技股份有限公司，北京 100044）

0 引言

作为世界第一大产钢国，中国钢铁工业保持着量的领先，然而在高附加值、高技术产品层面，仍与世界发达国家存在较大差距。带钢是高端钢铁工业的核心产品之一，是各个制造领域不可缺少的原材料，一般以钢卷形式向下游企业供应。在钢卷生产加工过程中，由于生产环境、设备和加工工艺等因素的影响，会产生边裂、边损、毛刺、塔形边等端部缺陷，可能导致下游产品降级改判、断带等严重问题。

由于钢卷端面纹理复杂，而缺陷面积占比例较小，导致传统视觉算法以及一些深度学习算法在钢卷端面缺陷检测应用上效果不佳。目前针对带钢表面缺陷检测的研究很多，但是针对钢卷端面缺陷检测的研究甚少，难以满足工业生产对钢卷端面缺陷检测的需求。

目前，深度学习已经成为缺陷检测的主流方法。应用于缺陷检测的算法主要分为两类，一种是被称为twostage的Faster R-CNN、Mask R-CNN等算法，另一类是被称为one-stage的YOLO、SSD等算法。Two-stage算法将检测任务分为两个阶段，第一阶段受用RPN网络生成目标候选区域（即边界框），第二阶段进行目标的类别识别和区域精准定位[1]。One-stage算法不需要单独进行目标候选区域阶段，直接通过网络端到端的识别目标类别和位置。相比较而言，one-stage算法检测速度更快，更加符合工业生产需求，但是检测精度稍逊于two-stage算法[2]。

本文采用改进的YOLOv3算法应用于钢卷端面缺陷检测，合并BN层参数到卷积层，加速模型运算速率；……