深度学习之钢表面缺陷检测课题研究汇报PPT.pptx

钢表面缺陷检测光环49期3班深度学习结题项目汇报人：彭红春日期：2024.4.19

目录123背景介绍系统设计项目实施CONTENTS4项目总结

1为在生产中保持高质量，钢材生产企业使用高频相机的图像作为输入，通过产品缺陷检测深度学习系统识别缺陷，为改进钢材生产质量提供数据支持。背景介绍

缺陷检测的应用领域金属加工业检测金属制品的缺陷，如孔洞、划伤、斑点等电力设备制造业检测电力设备的缺陷，如输电线路的损伤、绝缘子的缺陷等医疗设备制造业检测医疗器械的缺陷，如材料的损坏、工艺缺陷等其他行业汽车制造业、纺织和服装业....目标优化生产过程严把质量关

缺陷检测的意义钢表面质量是评估产品等级的关键指标。对于中间环节来讲，带有孔洞和边裂等表面缺陷的产品由轧机向下游传递，可能造成连退机组断带、钢板降级改判、产品判废等严重生产事故严格把控产品质量在钢生产过程中，机器视觉技术以其高效率、高精度、高可靠性、非接触性和客观性强等优点，不仅能够实时发现产品中的缺陷，还能够提供实时反馈，帮助生产人员及时调整生产工艺，从而提高产品质量和生产效率提供实时反馈并优化生产过程所售产品存在缺陷或安全隐患，每年都有大量生产商将已经送到下游零售商或最终客户的产品召回，导致沉重的经济损失。严格的表面缺陷检测能够防止不合格品流入市场，杜绝潜在的经济损失和法律纠纷，有利于提升企业的形象防止潜在的经济损失和法律纠纷缺陷检测-智能检测

2系统设计

需求分析正常label=1补丁label=2划痕label=3轧鳞label=4麻面夹杂功能需求检测系统能检测到目标物体并检测出缺陷边缘轮廓系统先根据数据集训练模型，然后对采集到的图像进行预测并标识出预测结果性能需求要求模型的检测既能保证准确率又能保证速度

系统概述图像采集：采集视频流中的每一帧或者高频摄像机拍摄的图片（本案中使用的是图片）图像预处理：缩放、裁剪、规范化等处理图像特征提取：提取图像中的数字化信息，生成特征图模型训练：让模型从数据中学习规律，提高模型的预测能力或分类能力模型评估：评估模型的准确性和稳定性，反馈和调优模型信息输入图像采集图像预处理模型评估输出图像特征提取模型训练

系统架构缺陷检测系统数据整理模块图像预处理模块图像检测模块训练模块验证模块特征提取模块预测模块前端展示模块

3项目实施

项目实施StreamlitDockerAzure部属数据源采集数据预处理检测算法训练成果数据工程训练验证部署应用

12数据工程

数据源采集数据源kaggle缺陷分类4样本图片（256，1600,12568）色彩RGB正常label=1补丁label=2划痕label=3轧鳞label=4麻面夹杂

数据预处理{1:897,2:247,3:5150,4:801}分析数据：数据格式CSV特征数据分布处理数据：mask处理数据YOLO列表化图片增强处理[640，640][256，1600]

数据预处理原始图片：000f6bf48.jpglabel：000f6bf48.jpg每张原始图片按照mask处理后生成训练图片和标签文件（5张图片5份标签）

16训练验证

检测算法模块选用YOLO8-seg模型训练YOLO8结构图检测算法模块开始构建网络训练网络验证网络图像训练集图像验证集训练结束预测图像初始化网络提取特征预测类别和边框结束保存参数

训练成果评估指标情况训练结果（过程）模型选择:YOLO8-seg训练设定:epochs:300batch:16imgsz:640

19部署应用

模型部署网址：https://steel-defect-detector--z2txepk.bluedesert-42595f97.australiaeast.azurecontainerapps.io/StreamlitDockerAzure部署可视化

应用效果

4项目总结

mAP50没有超过0.4数据集用kaggle原有的数据增强（全部训练数据每个图像扩展4张）epochs:30batch:64imgsz:640训练中的问题

2.数据集用kaggle原有的数据增强（全部训练数据每个图像扩展4张），增加ContextAggregation层（上下文增强和特征细化网络）epochs:160batch:32imgsz:640110多epochs但是mAP50在0.38左右训练中的问题

正样本被错误识别夹杂样本识别不全训练中的问题

改进方向数据增强扩充目前数据类别分布不均衡，后续通过数据增强（裁剪、平移、旋转、改变亮度、加噪声等）扩充占比较少类别数据的数量再进行训练。样本分布{1:897,2:247,3:5150,4:801}

致谢参与讲解完毕主要参与人员主讲：彭红春技术指导：丁速滨、邱奕钦数据采集处理：邱奕钦