师伟婕，黄静静，王茂发

(1.北京信息科技大学 理学院，北京 100192；2.桂林电子科技大学 计算机与信息安全学院，桂林 541004)

0 引言

随着信息技术的发展，“冶金行业+互联网”已成为必然发展趋势。为实现钢铁缺陷的精确检测，现如今，多采用基于机器学习、深度学习[1-2]的图像分割算法替代传统的人工缺陷检测方法。但目前在钢铁图像缺陷检测的过程中，仍普遍存在缺陷位置定位不准确、缺陷类别识别不清、成本高、效率低等问题。

对钢铁缺陷检测的研究须建立在一定量的图像数据之上，但目前大规模、高质量、用于工业级分割的钢铁图像数据较少。应用比较广泛的钢铁缺陷数据集有NEU(美国东北大学)的表面缺陷数据集[3]和UCI(加利福尼亚大学欧文分校)的钢板缺陷数据集[4]。这些钢铁数据集数据量较小且图像注释标签不完整，深度学习则往往依赖较大的样本数据量，并且对计算机硬件性能要求较高，因而在进行钢铁缺陷图像分割时，研究人员多采用传统机器学习方法，使用深度学习方法进行钢铁数据分析的研究不多[5]。

在深度学习方法应用于图像分割方面，U型神经网络U-Net[6]、Res-UNet表现出较好的性能。张倩雯等[7]运用3D Res-UNet网络对CT影像数据进行肺结节图像分割，将二维Res-UNet扩展为三维Res-UNet，使用较少的数据集就可以达到一个较为优秀的结果。钢铁图像与医学图像都存在数据边界较模糊、数据集不平衡、图像分割存在细小处等特征，利用U型网络对医学图像的研究为本文提供了借鉴。……