基于YOLO 網絡的無酸除鱗帶鋼表面缺陷實時檢測①

宋紫棋， 毛桂庭， 侯 奔

（長沙礦冶研究院有限責任公司深海礦產資源開發利用技術國家重點實驗室，湖南 長沙 410012）

磨料水射流［1］是一種用于難加工材料的非傳統加工工藝，借助計算機數控技術，磨料水射流可完成切割、銑削、鉆削、磨削等多種功能。 在鋼鐵產業中，磨料水射流技術常被用于熱軋鋼帶的表面處理［2－3］，即鋼材除鱗。

基于磨料水射流技術的無酸除鱗技術發展迅速，與傳統酸洗除鱗工藝相比互有優勢。 無酸除鱗無廢酸排放，無粉塵污染，且清洗成本低于酸洗技術，但無酸除鱗面臨著與酸洗完全不同的表面質量控制問題。 鋼板在磨料水射流除鱗前往往已經進行了剝殼等操作，經除鱗后鋼帶缺陷大大減少，但由于鋼帶本身質量問題或磨料水射流噴頭參數問題，鋼帶表面仍存在火燒紋、暗帶和劃痕等缺陷，會影響熱軋板帶的質量，降低熱軋板帶產品的經濟效益，并對后續冷軋過程產生一定影響，因此需要對經除鱗的熱軋板帶表面缺陷進行檢測，對除鱗設備進行實時監控，及時發現問題，以提高熱軋板帶產品質量。

近年來，卷積神經網絡方法快速發展，并在計算機視覺領域取得了很好效果，如Fast R-CNN，Faster R-CNN采用proposal ＆ classification 的兩階段檢測架構，具有較好的檢測精度，但其檢測速度不能滿足帶鋼除磷生產實時監控的要求。 本文采用輕量化的YOLOv3［4］網絡，結合Focal loss 算法改進損失函數，在保證精度條件下提升了檢測速度，有望用于工業現場實時檢測表面缺陷，提高帶鋼質量。

1 表面缺陷檢測網絡結構設計

1.1 YOLO 算法

YOLO（You Only Look Once）算法是目前目標檢測領域最有效的算法之一，它使用單個網絡同時實現目標區域和類別的預測，速度相較于R-CNN 類算法有了較大提升。

YOLO 首先通過特征提取網絡對輸入圖像進行特征提取，得到S×S的特征圖譜，然后將輸入圖像分成S×S個網格，每個網格預測B個檢測框的位置信息和置信度信息，由圖像中目標中心所在的網格預測對應目標。 對于C類的檢測問題，最終的特征圖譜輸出尺寸為：S×S×（5×B＋C）。

YOLOv3 結合殘差網絡Resnet 搭建了Darknet-53網絡，舍棄了池化層和全連接層；結合多尺度預測FPN［5］采用3個尺度特征圖進行預測目標類別和位置，在速率和準確率之間達到了平衡。 YOLO 網絡結構如圖1 所示。 對于4 類目標的檢測，YOLOv3 輸出了3個不同尺度的特征圖譜。

圖1 YOLO 網絡結構

截至目前YOLO 已經發展到V5 版本，但工業界仍普遍應用V3 版本，出于穩定性和可維護性考慮，本項目在YOLOv3 算法的基礎上進行改進。

YOLOv3-tiny 是YOLOv3 的簡化版本，其主干網絡采用一個7 層conv＋max 網絡提取特征（與darknet19類似），并添加了一個13×13、26×26 的分辨率探測網絡，YOLO-tiny 網絡結構見圖2。 由于主干網絡比較淺，精度相對較低。

圖2 YOLO-tiny 網絡結構

1.2 深度可分離卷積

標準卷積與深度可分離卷積見圖3。 深度可分離卷積（Depthwise Separable Convolution，DSC）［6］常用于輕量級網絡中，由深度卷積（如圖3（b）所示）和點卷積（如圖3（c）所示）2 部分結合而成，用來提取特征圖譜，相比常規的卷積操作，其參數數量和運算成本較低。標準卷積結構是將輸入數據的每個通道與對應的一個卷積核進行卷積操作，并將各通道的卷積結果相加。 在深度可分離卷積結構中，輸入數據的各通道進行深度卷積操作，再使用點卷積將其輸出組合得到新的特征圖譜。 該網絡結構能夠極大降低模型參數量以及計算量，從而在檢測精度沒有明顯變化的情況下，提高檢測速率。

圖3 標準卷積與深度可分離卷積

對于DF×DF×M的輸入數據，經卷積核尺寸為DK×DK×M的卷積層，輸出DF×DF×N特征圖。

如圖3（a）所示，標準卷積層的參數量WSC為：

如圖3（b） ～（c）所示，深度可分離卷積參數量WDSC為深度卷積與點卷積參數量之和：

2種方法參數量比值F為：

YOLO 模型中卷積核尺寸主要為3×3，將標準卷積替換為深度可分離卷積后，參數量接近原來的。

MobileNetv2 改進了深度可分離卷積模塊［7］，使用線性激活函數替代原本點卷積后的relu 非線性激活，這樣可以更多地保留局部特征。

1.3 FocalLoss

相比Faster RCNN 一類的two-stage detector 算法，YOLO 類算法使用單個網絡同時實現目標區域和類別的預測，準確率不如前者，這種情況往往是樣本類別不均衡所致［8］。

對于二分類問題，常用的交叉熵損失為同樣權重的各樣本交叉熵直接求和：

式中y∈｛－1，＋1｝為該樣本的類別；p為樣本y＝1 的概率。

在交叉熵損失函數的基礎上改進得到FocalLoss：

式中αt為樣本系數，用來調整正負樣本的權重；γ≥0是損失函數的集中參數；pt為樣本屬于正樣本的概率，（1－pt）γ即為調制系數，可以減少易分類樣本的權重，使模型在訓練時更專注于難分類樣本。

本文中數據集取自工業現場，鋼帶表面各類缺陷分布不均勻，對模型效果產生了較大影響。 通過將交叉熵損失替換為FocalLoss 有利于緩解這類問題。

1.4 DF-YOLO 結構

YOLO 算法每一代的提升主要來自于backbone 網絡的提升，得益于YOLO 的靈活性，對其backbone 網絡進行合適的替換即可獲得良好效果。

YOLOv3 的DarkNet-53 網絡采用1×1 加上3×3卷積核的形式，加深了網絡深度和特征抽象，通過添加深度可分離卷積，可以減少卷積層參數，減少模型訓練時間，加快檢測速度。

本文中使用的DF-YOLO 網絡結構如圖4 所示，其中DPBL 即深度可分卷積＋Batch normalization ＋Leaky relu，保留點卷積層，使用DPBL 替代除點卷積層外殘差模塊中的卷積層；網絡使用FocalLoss 進行訓練。

圖4 DF-YOLO 網絡

2 實 驗

2.1 數據集

實驗圖像采集自某廠無酸除鱗車間監控攝像頭，該車間使用長沙礦冶研究院有限責任公司自主研發的金屬板（帶）材無酸除鱗技術與成套設備進行無酸除鱗。

由于磨料水射流具有較強的切割能力，經除鱗后鋼材表面麻點、夾雜和較淺劃痕會被去除；而在鋼廠工藝相對成熟的情況下，軋鋼出現折疊、裂紋、結疤等鋼材常見缺陷的概率會大大減少。 不同于其他熱軋鋼帶缺陷的識別，經磨料水射流除鱗后，金屬表面主要缺陷為火燒紋、暗帶和劃痕，如圖5 所示。

圖5 缺陷檢測數據集

為了便于檢測，減少缺陷誤檢，首先對已完成無酸除鱗且正在收卷的鋼帶進行檢測，如圖5（d）所示，后續檢測框應處于鋼帶檢測框中。

暗帶缺陷類似于酸洗過程中產生的欠洗缺陷，是除鱗噴頭壓強不夠的情況下鋼帶表面殘留的氧化皮［9］；火燒紋表現為年輪狀的紋路，其產生于鋼帶軋制過程中，往往是帶鋼在輥縫中不均勻延展所致［10］；劃痕沿軋制方向呈線狀分布，當軋鋼過程中帶鋼與尖銳物體劃擦時產生［11］。

數據集使用labelimg 軟件標注，按照PASCAL VOC 格式制作，將缺陷以XML 文件形式存儲。 為了防止模型訓練過程中過擬合，提高模型泛化能力，本文采用了圖像旋轉、平移、重采樣、隨機裁剪、添加高斯噪聲、添加高斯模糊圖像增強法等方法來對圖像進行增強。 數據集組成如表1 所示。

表1 缺陷數據集組成

2.2 基于DF-YOLO 模型的缺陷檢測

實驗過程中在上述缺陷數據集上分別訓練了YOLOv3 網絡和DF-YOLO 網絡。 訓練過程中，使用FocalLoss 損失函數，樣本系數αt取0.25，集中參數γ取2，以416×416 的固定輸入訓練200 輪，初始學習率為0.001，并根據訓練情況進行衰減。

檢測過程中先確定交并比（Intersection over Union，IoU），用于測量真實值和預測值之間的相關度，相關度越高，該值越高。 實驗中IoU 取0.45。

設P為模型的精確率，等于被預測正確的正樣本數量TP與被預測的正樣本總數（TP＋FP）之比，在本問題中，即IoU＞0.45 的檢測框數量與檢測框總數之比。

以平均精度均值（mean Average Precision，mAP）和每秒處理幀數為指標，其計算式為：

式中Pij為第i張圖片屬于第j類的準確率；N為測試集圖片總數；m為標簽種類數。

經預處理后的測試集圖像尺寸為416×416，車間攝像頭實時采集的圖像尺寸為1 920×1 080，先后對兩類圖像進行檢測，網絡訓練過程如圖6 所示，先凍結YOLO 網絡的全連接層進行10 輪訓練，以加快網絡骨架訓練速度，然后解凍全連接層，對整個網絡進行訓練。

圖6 網絡訓練過程

由圖6可看出，由于FocalLoss 損失函數改善了數據集分布，DF-YOLO 網絡損失函數有著更快的收斂速度，并收斂于數值更低處。

網絡訓練結果如表2 所示。

表2 網絡訓練結果

部分檢測結果如圖7 所示。 由圖7可以看出，本文算法能夠對鋼帶表面缺陷進行更為精確的識別和定位，通過使用深度可分離卷積和FocalLoss 損失函數對YOLO 模型網絡進行改進，本文算法對該數據集具有很好的檢測效果。

圖7 不同模型檢測結果

使用DF-YOLO 模型對缺陷圖像進行檢測，結果如圖8 所示，對于文中3種缺陷都能進行較好的識別。

圖8 DF-YOLO 模型對不同缺陷的檢測結果

使用DF-YOLO 模型對生產現場視頻進行檢測，在保證一定幀率的前提下，能對鋼帶缺陷進行準確檢測，如圖9 所示。

圖9 DF-YOLO 模型生產現場檢測結果

3 結 論

1） 在相關數據集缺乏的情況下，率先建立了基于無酸除鱗的金屬表面缺陷數據集，為金屬表面缺陷檢測奠定了基礎。

2） 提出了用于該數據集的DF-YOLO 檢測網絡，在缺陷檢測任務中可以在測試幀率50 FPS 時保持平均精度均值75.44 的準確率。

3） 本研究為經無酸除鱗的金屬表面提供了數據集和相應的檢測算法，實現了金屬表面缺陷的實時檢測，對熱軋鋼帶的生產具有重要的指導意義。