基于改进FCOS的钢带表面缺陷检测.docxVIP

导读

相比two-stage方法，one-stage的目标检测算法在工业界更受追捧。one-stage的模型目前可以分为两大类：anchor-based和anchor-free方法。

FCOS属于anchor-free，但是却不是基于关键点检测的方法，严格来看其更接近基于anchor-based的方法，但是不需要anchor并加上特殊的设计却能够实现更好的效果。本文提出基于改进FCOS的表面缺陷检测算法，提升钢铁表面的缺陷检测效率。

针对现有钢带表面缺陷检测所存在的检测效率低、适用范围有限等缺陷，提出一种基于改进FCOS的钢带表面缺陷检测算法。该算法使用含形变卷积的卷积神经网络提取缺陷特征，使用关键点特征融合增强检测模型输入，并使用中心采样策略选取训练样本优化模型训练，最后使用东北大学钢带表面缺陷公共数据集进行训练和评估。本文算法在东北大学钢带表面缺陷公共数据集上平均检测精度为74%，检测速度为31.4FPS。

01

引言

作为钢铁产业的重要产品，钢带被广泛应用于各个领域。但由于设备和工艺条件的限制，钢带在生产过程中常出现划痕、裂缝等表面缺陷，不仅影响产品的外观，而且会影响产品的性能。因此，在钢带生产制造中对其进行表面缺陷检测具有重要意义。

目前，常用的钢带表面缺陷检测方法包括人工检测、漏磁检测和基于计算机视觉的检测。人工检测方法受检验人员主观因素影响较大，实时性差，误检率高。漏磁检测方法虽然成熟，但对不同缺陷的敏感度不同，漏检率高，且由于使用条件的陷制，难以大规模推广。随着深度学习的飞速发展，基于计算机视觉的检测技术以其智能化、实时性、高精度、可靠性等优点为钢带表面缺陷检测技术提供新的解决方案。王等人提出一种融合多级特征的FasterR-CNN算法，解决了钢带表面多样化和随机缺陷的检测问题。戴等人设计了一种基于改进FasterR-CNN的缺陷检测算法，以解决工件表面缺陷检测的局限性和精度不高的问题，检测效果相比传统方法得到大幅提高。李等人提出一种改进YOLOv3算法，使用加权K-means聚类算法设计检测框参数提高先验框与特征图层匹配度，并增加残差单元和大尺度特征图输出，从而增强算法对缺陷检测能力。刘等人提出一种改进YOLOv4算法，使用轻量级深层神经网络MobileNetV3作为特征提取网络以提高模型检测速度和特征提取能力，并设计多尺度损失函数解决因正负样本不平衡而导致检测效果差的问题，在保证检测速度的基础上有效提升了精度。

然而，上述算法都是基于Anchor-based模型的实现，即需要基于先验知识给检测网络预设一组检测框，然后模型输出检测框微调参数，最终通过微调参数和检测框预设参数计算出最终模型输出的检测框，因此预设检测框的尺度和形状直接影响模型训练效果。并且由于预设检测框的尺度和形状与输入数据相关，所以Anchor-based模型设计依赖设计者对先验知识的了解，泛化能力有限。针对以上问题，本文提出基于改进FCOS的钢带表面缺陷检测算法，通过直接回归检测框参数而非对预设检测框微调实现缺陷检测，避免引入先验知识导致模型泛化能力不够问题。模型使用含形变卷积的卷积神经网络提取网络特征，增强特征提取效果，使用关键点特征融合方式丰富检测分支输入，增强模型检测效果，并使用中心采样策略选取合适的训练样本，优化模型训练效果。基于改进FCOS的表面缺陷检测算法在东北大学钢带表面公开数据集上平均检测精度(meanAveragePrecision,mAP)为74.0%，检测速度为31.4FPS，性能满足当前工业生产需求。

02

FCOS模型结构

FCOS模型结构如图1所示，首先使用深度卷积神经网络提取输入图像特征图，然后使用分类网络、回归网络、中心度网络对特征图上的所有特征点逐个进行检测，分类网络输出原图上以此特征点为中心的区域所含缺陷类别，回归网络输出原图上以此特征点为中心的缺陷区域，中心度网络输出特征点在原图上对应的点为中心点的概率，抑制偏心度较大的低质量检测框的输出。

令?Fi∈?H×W×C?是第i层的特征图，s为该层总的下采样倍率，输入图像中的真实检测框定义为?{Bi}，其中

此处：

分别为真实检测框的左上角点和右下角点的坐标，c(i)为真实检测框中缺陷的类别，C为缺陷类别个数。对于特征图Fi上的每个位置(x,y)，其在输入图像上的映射位置约为?

与Anchor-based通过回归基于此处预设的检测框的微调参数从而得到真实检测框的方式不同，FCOS直接回归该位置的检测框，即FCOS直接将位置视为训练样本，而不是将生成的检测框视为训练样本。具体来说，如果坐标为?(x,y)的这个特征点落在真实检测框中心点一定区域内且特征点的类别标签c*为真实检测框的类别，则将此特征点为正样本，否则将其视为背景类负样