基于SDD-YOLO 的輕量級帶鋼缺陷實時檢測算法

摘 要： 針對復雜工業生產環境下，熱軋帶鋼的表面缺陷檢測準確率低，網絡模型參數量過大，難以部署等問題，該文提出一種基于YOLOv4 模型改進的輕量級帶鋼缺陷實時檢測算法SDD-YOLO。所提算法在特征提取部分采用GhostNet 網絡，壓縮模型參數量；在特征融合部分，借鑒BiFPN 結構改進PAN 網絡，采用GSConv 卷積代替標準卷積，減少模型參數量和計算量，同時嵌入注意力模塊CA（Coordinate Attention），增強模型特征融合能力；在預測部分采用SIOU-loss 代替CIOU-loss，提高模型收斂效率，加快收斂速度；采用k-means 聚類算法重新設計先驗框，提高模型精度。實驗結果表明，該文提出的模型相較于YOLOv4，模型參數量減少71.6%，浮點運算量降低74.6%，模型大小減小71.6%，檢測精度提高3.49%，單張圖片檢測速度為25.9 ms。在保證準確率和檢測速度的條件下，基本可以滿足工業現場對缺陷的實時檢測要求。

關鍵詞： 帶鋼表面缺陷; 目標檢測; 輕量級網絡; YOLOv4

中圖分類號： TB9; TG335.56; TP183 文獻標志碼： A 文章編號： 1674–5124（2025）03–0154–08

0 引 言

熱軋帶鋼作為典型的工業片材，在鋼鐵冶金領域占據重要地位，在帶鋼連軋生產過程中，由于現場工藝和材料性能等不可抗因素，帶鋼表面會產生不同類型的缺陷，如彈性形變，輥印，刮痕，夾雜，氧化皮等，這些缺陷嚴重影響了帶鋼的外觀、抗疲勞強度、抗腐蝕性和耐磨性等性能，危及下游工藝產品的質量[1]。因此，對帶鋼的表面缺陷進行高效、實時的檢測，具有十分重要的研究價值。

目前，帶鋼表面缺陷的檢測方法主要有傳統人工檢測方法和基于機器視覺的檢測方法[2]。傳統人工檢測方法受到主觀判斷、易疲勞的影響，存在一致性不高，穩定性不強的問題；基于機器視覺的檢測方法存在手工提取特征難度大，泛化能力不強，難以滿足處理多種缺陷的要求。

近年來，基于深度學習的圖像分類、目標檢測等技術開始興起。這類目標檢測方法主要可以分為一階段算法與二階段算法。其中一階段算法在保證檢測精度的前提下，相比二階段算法大幅提高了檢測速度，代表的算法有YOLO[3]，SSD[4]，RetinaNet[5]等。YOLO 系列算法將目標識別與邊界框回歸同時進行，具有快響應、非接觸式、部署靈活的特點，被工業界廣泛應用。文獻[6] 針對印制電路板表面貼裝元器件排布特點，采用改進型YOLOv3 算法，提高了對貼裝元器件的識別分類準確率。文獻[7]提出一種基于YOLO 網絡的配電網故障選線方法，在不受故障時刻、故障類型等因素的影響下，提高了配電網故障選線的準確度和可靠性。文獻[8] 針對目前神經網絡檢測震害建筑物速度慢的問題，提出一種基于YOLOv5 改進的輕量型檢測算法，與主流的檢測方法相比，在檢測精度與檢測速度方面取得了更好的平衡。因此，本文采用YOLO 算法作為帶鋼缺陷檢測的基礎網絡。

針對復雜工業生產環境中檢測方法模型參數量大， 存儲量過高的問題， 本文提出一種基于YOLOv4 改進的輕量級帶鋼缺陷檢測算法。