曹义亲 刘文才 徐露

摘要：【目的】针对YOLOX算法在钢材表面缺陷检测中特征提取不充分、多目标缺陷检测能力较弱等问题，提出改进损失函数的多维度特征融合带钢材料表面缺陷检测算法。【方法】首先，在Backbone部分应用SPP_SF保留多尺度特征信息，提高分类精度。其次，在Neck部分加入多维度特征融合模块MDFFM，将通道、空间、位置信息融入特征向量中，加强算法的特征提取能力。最后，引入Varifocal Loss和α-CIoU加权正负样本，提高预测框的回归精度。【结果】实验结果表明，YOLOX-αSMV在NEU-DET数据集中的mAP@0.5：0.95达到了47.54%，较YOLOX算法提高了3.43%。【结论】算法在保持检测速度基本不变的情况下，对模糊缺陷和小目标缺陷的识别、定位能力明显提升。

关键词：YOLOX；缺陷检测；α-CIoU；坐标注意力；Varifocal Loss；SoftPool

中图分类号：TP391；U226 文献标志码：A

文章编号：1005-0523（2024）02-0109-09

YOLOX-αSMV Algorithm for Surface Defect Detection

of Strip Steel Material

Cao Yiqin1， Liu Wencai1， Xu Lu2

（1. School of Software， East China Jiaotong University， Nanchang 330013， China; 2. School of Mechanical and Electrical Engineering， Jiangxi Vocational &Technical College of Communications， Nanchang 330013， China）

Abstract： 【Objective】In order to solve the problems of insufficient feature extraction and weak ability of multi-target defect detection of YOLOX algorithm in steel surface defect detection， a multi-dimensional feature fusion strip material surface defect detection algorithm based on improved loss function is proposed. 【Method】First of all， apply SPP_SF to the Backbone part to retain multi-scale feature information and improve classification accuracy. Secondly， the multi-dimensional feature fusion module MDFFM is added in the Neck part to integrate the channel， space and position information into the feature vector to strengthen the feature ex-traction ability of the algorithm. Finally， the introduction of Varifocal Loss and α-CIoU is weighted with positive and negative samples to improve the regression accuracy of the prediction box. 【Result】The experimental results show that YOLOX-αSMV in NEU-DET data set mAP@0.5：0.95 reaches 47.54%， which is 3.43% higher than YOLOX algorithm. 【Conclusion】The algorithm significantly improves the recognition and localization of fuzzy defects and small target defects while keeping the detection speed basically unchanged.

Key words： YOLOX; defect detection; α-CIoU; coordinate attention; Varifocal Loss; SoftPool

Citation format： CAO Y Q， LIU W C， XU L. YOLOX-αSMV algorithm for surface defect detection of strip steel material[J]. Journal of East China Jiaotong University， 2024， 41（2）： 109-117.

【研究意义】受生产工艺、环境、使用年限等因素的影响，带钢材料表面会出现表面点蚀、划痕、裂纹、轧制氧化皮等缺陷，导致钢材质量的下降，对工业生产及产品的可靠性和安全性将造成严重影响。因此，如何对带钢材料产品表面的缺陷进行及时有效的检测，一直是相关企业和学者的重要研究内容。

【研究进展】常用的带钢材料表面缺陷检测方法主要有CCD摄像扫描器检测、激光扫描检测、漏磁检测、人工检测等，虽然可以对带钢表面的缺陷进行检测，但存在难度大、成本高、易受外部干扰、精度低、耗时长等一系列问题，很难符合实际检测需求。

机器视觉检测技术凭借成本低、速度快、精度高等优势逐渐成为许多学者的研究热点，并取得了良好效果。……