翁玉尚，肖金球，夏 禹

1.苏州科技大学 电子与信息工程学院，江苏 苏州 215009

2.苏州市智能测控工程技术研究中心，江苏 苏州 215009

带钢的生产过程中由于现代生产工艺的限制，带钢表面可能会产生麻点、夹杂、划痕等缺陷。这些缺陷轻则减少带钢的使用寿命和用途，重则可能会影响建筑物的建设安全导致建筑事故。所以在带钢的生产过程中要对已生产的带钢进行缺陷检测，以确保带钢的质量。在带钢生产过程中传统的检测方法是人工检测，这也是目前许多企业所采用的方法。这种检测方法检测速度慢，准确度低，且极为容易受人为因素的干扰。

随着计算机和深度学习的发展，基于卷积神经网络和深度学习的模型，在缺陷检测中实现了高准确度和高效率的优势，逐渐成为缺陷检测的主要研究方向。目前的目标检测算法主要分为两类，一类是以R-CNN算法[1]、Fast R-CNN算法[2]、Faster R-CNN算法[3]、Mask R-CNN算法[4]为代表的两阶段算法；另一类是以Over Feat 算法[5]、YOLO 算 法[6]、YOLOv2 算 法[7]、YOLOv3 算 法[8]、SSD算法[9]为代表的一阶段算法。两阶段算法先基于区域建议框产生候选区域，然后再使用检测网络检测候选区域的类别和位置；一阶段算法利用整张图作为网络输入，直接在输出层回归边界框的位置及其类别[10]。这两类算法中前者有更高的检测精度，但检测速度较慢；后者的检测速度快，但检测精度没有前一类高。这两类算法在目前的研究中应用的都比较多。2018 年，Cha 等人[11]最早通过将Faster R-CNN 的backbone 网络替换为ZF-net网络，并将其应用到桥梁表面的缺陷检测中，检测结果的mAP值达到了0.878。……