基于改進的殘差收縮網絡的帶鋼表面缺陷識別*

梁日強，胡燕林，蔣占四

(桂林電子科技大學機電工程學院，桂林 541004)

0 引言

工業表面缺陷檢測是檢測產品是否合格的一個重要環節，計算機視覺技術正在不斷的發展，利用視覺技術可以實現自動化的生產，同時也可以滿足工業生產中的實時性在線檢測的基本要求。與傳統的人工檢測相比，視覺技術可以大幅度的提高工作效率和缺陷檢測的準確率，降低人工成本，實時性好，推動產業的自動化生產[1]。

帶鋼作為基礎的工業原料，被廣泛的應用與各行各業，表面質量是能夠直觀的反應帶鋼的好壞，因此研究帶鋼表面識別的準確率，不僅僅在理論上由意義，而在實際應用中也有著重要的意義。在帶鋼的缺陷檢測領域中，不少學者都給出相應的方法，如：徐海燕等[2]提出了一種提出基于隱馬爾科夫模型的帶鋼表面檢測方法，該方法可以降低數據處理量，提高帶鋼缺陷檢測的準確率，可以達到實時性生產要求。劉啟浪等[3]提出了一種基于多尺度 LBP 特征的帶鋼表面缺陷圖像SVM分類方法，該方法可以提高識別的準確率擴大受野面積。這些方法雖然在帶鋼的檢測方面有著不錯的效果，但是還存在準確率受到圖像質量的影響，以及需要的重復操作多等缺點。

隨著神經網絡以及深度學習的興起，為了解決上述問題的缺點，近年來學者們把深度學習方法應用到帶鋼的缺陷檢測，表明了深度學習方法在帶鋼缺陷檢測中有著不錯的效果。LI等[4]為了針對帶鋼表面缺陷的復雜性，提取更多的特征，于是提出了一種改進的YOLO帶鋼缺陷檢測的方法，使其成為全卷積網絡，實驗證明該方法由較高的準確率。……