李一鳴，王 瀟

（1.北京信息科技大學(xué) 機(jī)電工程學(xué)院，北京 100192；2.北京信息科技大學(xué) 現(xiàn)代測(cè)控技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100192）

0 引言

軋鋼作為重要的工業(yè)原材料，軋鋼的質(zhì)量直接影響產(chǎn)品的質(zhì)量[1]。因此，軋鋼的表面缺陷精準(zhǔn)檢測(cè)顯得尤為重要。目前，軋鋼表面缺陷的檢測(cè)方法主要有無(wú)損檢測(cè)[2]和基于機(jī)器視覺(jué)的檢測(cè)[3]。其中無(wú)損檢測(cè)存在檢測(cè)類(lèi)型有限的缺陷；基于機(jī)器視覺(jué)檢測(cè)方法存在手工提取特征的主觀性，難以實(shí)現(xiàn)多種缺陷類(lèi)型的檢測(cè)，尤其是小目標(biāo)的識(shí)別定位[4，5]。

隨著深度學(xué)習(xí)網(wǎng)絡(luò)的日益成熟，深度學(xué)習(xí)方法在目標(biāo)檢測(cè)與識(shí)別分類(lèi)問(wèn)題中得到了廣泛的應(yīng)用，也運(yùn)用到鋼材的表面缺陷檢測(cè)中[6～9]。文獻(xiàn)[6]采用改進(jìn)的YOLOv3進(jìn)行金屬表面缺陷檢測(cè)，檢測(cè)精度達(dá)到67.64%。文獻(xiàn)[7]采用改進(jìn)的Faster R-CNN進(jìn)行螺紋鋼表面缺陷檢測(cè)，取得了穩(wěn)定的缺陷檢測(cè)模型。文獻(xiàn)[8]采用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)鋼板表面焊縫，檢測(cè)精度達(dá)到97%以上。文獻(xiàn)[9]采用改進(jìn)Faster R-CNN檢測(cè)鋼板表面缺陷，平均檢測(cè)精度達(dá)到87.14%，明顯提高了小缺陷的檢測(cè)精度。

1 YOLOv5s模型結(jié)構(gòu)

YOLOv5s模型沿用YOLOv3、YOLOv4的整體布局，包含Input、Backbone、Neck、Output四個(gè)部分，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOv5s模型結(jié)構(gòu)

Input：采用Mosaic方式擴(kuò)充數(shù)據(jù)樣本，通過(guò)不斷更新預(yù)測(cè)框和標(biāo)注框的差值并反向更新網(wǎng)絡(luò)的參數(shù)自主的計(jì)算最佳a(bǔ)nchor框值，自適應(yīng)的縮放圖片從而減少黑邊降低冗余信息；

Backbone：包含F(xiàn)ocus結(jié)構(gòu)、CSP Networks和SPP結(jié)構(gòu)；

Neck：由CSP2_X結(jié)構(gòu)、FPN+PAN結(jié)構(gòu)組成；

Output：包含邊界框損失函數(shù)和NMS，從而獲得最佳的目標(biāo)檢測(cè)框。

2 試驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集介紹

軋鋼表面缺陷目標(biāo)檢測(cè)試驗(yàn)采用東北大學(xué)鋼材表面缺陷數(shù)據(jù)集（NEU-CLS）[10]作為YOLOv5模型的訓(xùn)練輸入和檢測(cè)目標(biāo)，該數(shù)據(jù)集包含6種常見(jiàn)的軋鋼表面缺陷，分別為軋制氧化皮（rolled-in scale）、斑塊（patches）、細(xì)裂紋（crazing）、表面點(diǎn)蝕（pitted surface）、夾雜（inclusion）、劃痕（scratches）。數(shù)據(jù)集圖像的初始分辨率為200×200像素，訓(xùn)練集包括295×6張圖片，驗(yàn)證集包括5×6張圖片，一共1800張圖片。

2.2 YOLOv5模型訓(xùn)練

2.2.1 試驗(yàn)環(huán)境與配置

基于YOLOv5模型的軋鋼表面缺陷檢測(cè)的硬件環(huán)境為：

1）處理器：Intel i7-8550U CPU @1.80GHz；

2）計(jì)算機(jī)內(nèi)存：8GB；

3）顯卡：GPU NVIDIA GeForce MX150。

軟件環(huán)境為：

1）操作系統(tǒng)：windows1064位；

2）開(kāi)發(fā)語(yǔ)言：python 3.7，pytorch 1.7.1框架；

3）軟件庫(kù)文件：numpy 1.19.2，opencv 4.5.1，cuda 11.0.221，tensorboard 2.5.0。

2.2.2 YOLOv5模型超參數(shù)設(shè)置

分別基于YOLOv5s模型、YOLOv5m模型和YOLOv5l模型訓(xùn)練軋鋼表面缺陷檢測(cè)模型，采用小批量隨機(jī)梯度下降法（SGD）來(lái)訓(xùn)練檢測(cè)模型，3個(gè)YOLOv5模型的小批量（batch）分別設(shè)為16、4、2，網(wǎng)絡(luò)的初始學(xué)習(xí)率設(shè)為0.01，動(dòng)量參數(shù)設(shè)為0.937，權(quán)重衰減系數(shù)設(shè)為0.0005，最大訓(xùn)練次數(shù)設(shè)為300。

2.2.3 YOLOv5模型訓(xùn)練過(guò)程

使用YOLOv5在COCO數(shù)據(jù)集上訓(xùn)練好的權(quán)值文件yolov5s.pt、yolov5m.pt、yolov5l.pt分別作為其對(duì)應(yīng)的YOLOv5模型的初始權(quán)值，采用遷移學(xué)習(xí)微調(diào)模型的權(quán)值，使得YOLOv5模型收斂，獲得軋鋼表面缺陷檢測(cè)模型，實(shí)現(xiàn)軋鋼表面缺陷的精準(zhǔn)檢測(cè)。

其中，YOLOv5s模型訓(xùn)練耗時(shí)為32.62h，得到的權(quán)值文件大小為14.4MB；YOLOv5m模型的訓(xùn)練耗時(shí)為59.42h，得到的權(quán)值文件大小為42.5MB；YOLOv5l模型的訓(xùn)練耗時(shí)為112.5h，得到的權(quán)值文件大小為93.8MB。由此可知，隨著YOLOv5模型規(guī)模越大，訓(xùn)練耗時(shí)越長(zhǎng)，權(quán)值文件占用的空間也越大。

2.3 檢測(cè)模型評(píng)價(jià)指標(biāo)

分別通過(guò)測(cè)試精度（precision，P）、召回率（Recall，R）和mAP來(lái)評(píng)價(jià)軋鋼表面缺陷檢測(cè)模型的性能。P指的是一個(gè)檢測(cè)模型預(yù)測(cè)的正樣本的確是正樣本的概率；R指的是一個(gè)檢測(cè)模型預(yù)測(cè)的實(shí)際正樣本的個(gè)數(shù)；AP為P對(duì)R的積分，而mAP是各類(lèi)AP的平均值，它用來(lái)評(píng)價(jià)檢測(cè)模型的整體性能。

2.4 試驗(yàn)結(jié)果與分析

基于YOLOv5s模型、YOLOv5m模型和YOLOv5l模型的軋鋼表面缺陷檢測(cè)結(jié)果如圖2～圖4所示。由圖2～圖4可以看出，對(duì)比于軋鋼表面缺陷標(biāo)注，3個(gè)模型的6類(lèi)缺陷均能較準(zhǔn)確地識(shí)別定位，但存在缺陷的定位精度不高的情況?；赮OLOv5s、YOLOv5m和YOLOv5l的軋鋼表面缺陷檢測(cè)模型性能對(duì)比如表1所示。由表1可知，YOLOv5l模型的精度P、召回率R和mAP均低于另兩個(gè)模型，可能的原因是YOLOv5l模型規(guī)模較大，訓(xùn)練不夠，模型仍未完全收斂。YOLOv5m模型的精度P（0.875）高于YOLOv5s模型的精度P（0.772）；YOLOv5s模型的召回率R（0.773）高于YOLOv5m模型的召回率R（0.687）；在IOU的閾值為0.5時(shí)，YOLOv5s模型的mAP（0.776）略高于YOLOv5m模型的精度mAP（0.773）；而IOU的閾值從0.5取至0.95，兩個(gè)模型的mAP的平均值均較低，只有0.441。因此，可以看出，判定正負(fù)樣本的IOU閾值對(duì)于軋鋼表明缺陷檢測(cè)非常重要。綜合考慮YOLOv5s模型和YOLOv5m模型的性能指標(biāo)，以及兩個(gè)模型的訓(xùn)練耗時(shí)與模型大小，采用YOLOv5s模型作為軋鋼表面缺陷檢測(cè)的模型。

圖4 基于YOLOv5l的軋鋼表面缺陷檢測(cè)結(jié)果

表1 基于不同YOLOv5模型的軋鋼表面缺陷檢測(cè)模型的性能

圖2 基于YOLOv5s的軋鋼表面缺陷檢測(cè)結(jié)果

圖3 基于YOLOv5m的軋鋼表面缺陷檢測(cè)結(jié)果

3 結(jié)語(yǔ)

軋鋼表面缺陷智能檢測(cè)，有助于生產(chǎn)人員準(zhǔn)確地把握軋鋼的情況和快速地做出決策。而軋鋼表面的缺陷大小參差不齊，綜合考慮試驗(yàn)硬件條件和模型性能，基于YOLOv5模型對(duì)軋鋼的表面缺陷進(jìn)行檢測(cè)。并對(duì)比不同種類(lèi)YOLOv5模型的性能指標(biāo)，采用YOLOv5s模型來(lái)實(shí)現(xiàn)軋鋼表面缺陷的智能檢測(cè)，該模型的整體性能指標(biāo)mAP較高，且模型較小。