杨 莉 张亚楠 王婷婷 刘添翼

(东北石油大学 电气信息工程学院,黑龙江 大庆 163318)

0 引 言

目前由于钢材产量的快速增长和检测技术的不完善,其表面的任何缺陷,比如残缺、变形等不仅影响其质量性能,而且还影响企业的形象及产品美观。人工检测是生产过程中最常见的一种传统检测方法,由于缺陷类型的多样性与相似性对员工的敬业度与检测水平有着巨大的考验,而且对于企业,效率与成本更是一个极其敏感的问题,因此人工检测方法不能完全保证检测的稳定性与准确性。而机器视觉则具有稳定、安全、高效、实时和准确等多种优势,该检测方法是企业实现自动化、智能化的有效方式之一[1-2]。随着人工智能的迅速发展与深度学习算法的日益成熟,卷积神经网络在人脸识别、图像分类、目标检测等方面具有更加优异的性能比[3-4],可以将低层的特征数据提取抽象化为高层的特征表示。边栋梁[5]通过卷积神经网络模型对钢材表面粗糙度的分类准确率高达100%。钢材检测需要网络的加深获得更多的目标特征信息,但随着网络的加深容易导致梯度消失以及梯度爆炸。Wu 等[6]通过残差块(Residual Block)构建的残差网络(ResNet)突破了网络深度的问题。基于深度学习的目标检测算法主要分为两大类:一类是基于区域建议的二阶段目标检测算法,如SPP-Net(Sputial Pgramid Pooling-Network)[7]、Fast R-CNN(Region-Convolutional Neural Networks)[8]、Faster R-CNN[9]；另一类是基于回归的单阶段目标检测,如YOLO[10]、SDD(Sciteh Display Doctor)[11]、Retinanet[12]。与二阶段目标检测相比,单阶段目标检测无需提取候选区域,虽然在速度上有很大提升,但检测精度偏低。……