李一鸣，王 潇

（1.北京信息科技大学 机电工程学院，北京 100192；2.北京信息科技大学 现代测控技术教育部重点实验室，北京 100192）

0 引言

轧钢作为重要的工业原材料，轧钢的质量直接影响产品的质量[1]。因此，轧钢的表面缺陷精准检测显得尤为重要。目前，轧钢表面缺陷的检测方法主要有无损检测[2]和基于机器视觉的检测[3]。其中无损检测存在检测类型有限的缺陷；基于机器视觉检测方法存在手工提取特征的主观性，难以实现多种缺陷类型的检测，尤其是小目标的识别定位[4，5]。

随着深度学习网络的日益成熟，深度学习方法在目标检测与识别分类问题中得到了广泛的应用，也运用到钢材的表面缺陷检测中[6～9]。文献[6]采用改进的YOLOv3进行金属表面缺陷检测，检测精度达到67.64%。文献[7]采用改进的Faster R-CNN进行螺纹钢表面缺陷检测，取得了稳定的缺陷检测模型。文献[8]采用卷积神经网络检测钢板表面焊缝，检测精度达到97%以上。文献[9]采用改进Faster R-CNN检测钢板表面缺陷，平均检测精度达到87.14%，明显提高了小缺陷的检测精度。

1 YOLOv5s模型结构

YOLOv5s模型沿用YOLOv3、YOLOv4的整体布局，包含Input、Backbone、Neck、Output四个部分，其网络结构如图1所示。

图1 YOLOv5s模型结构

Input：采用Mosaic方式扩充数据样本，通过不断更新预测框和标注框的差值并反向更新网络的参数自主的计算最佳anchor框值，自适应的缩放图片从而减少黑边降低冗余信息；

Backbone：包含Focus结构、CSP Networks和SPP结构；

Neck：由CSP2_X结构、FPN+PAN结构组成；

Output：包含边界框损失函数和NMS，从而获得最佳的目标检测框。

2 试验结果与分析

2.1 数据集介绍

轧……