基于YOLOv7-TSCR的連鑄坯表面缺陷檢測

摘要：為解決連鑄生產過程中鑄坯表面缺陷檢測準確率低、檢測速度慢、模型參數量大難以部署等問題，提出一種融合重參數化和注意力機制的輕量化鑄坯表面缺陷檢測算法YOLOv7-TSCR。首先，利用Mish和SiLU激活函數、SimAM注意力機制，構建了改進的高效層聚合模塊ELAN-S，以有效增強對多尺度缺陷特征的提取；其次，設計了C2f_RG模塊改進特征融合網絡，減少參數量的同時獲得更豐富的梯度流信息，增強特征融合能力；最后，根據采集實際生產中的缺陷圖像，構建鑄坯缺陷數據集并進行驗證。結果表明：YOLOv7-TSCR相較其他網絡模型檢測效果顯著提升，在模型參數量減小的情況下，精確率達93.5%，平均精度均值提高了2.8%，檢測速度可達120FPS；在NEU-DET公開數據集上進行的泛化性對比實驗證明了算法具有較強的泛化性。改進算法在保證較高檢測精度的基礎上，具有較快的檢測速度和較小的參數量，為鑄坯表面缺陷的高效檢測提供了技術參考。

關鍵詞：煉鋼；鑄坯表面缺陷；注意力機制；多尺度特征；YOLOv7

中圖分類號：TP391.4

文獻標識碼：A

DOI：10.7535/hbkd.2024yx04002

Surfacedefectdetectionofcontinuouscastingbillets"basedonYOLOv7-TSCR

ZENGKai1，2，3，CHENBo1，MAZhihua1，XIAOPengcheng2，3，WANGYan2，3，ZHULiguang4

（1.CollegeofElectricalEngineering，NorthChinaUniversityofScienceandTechnology，Tangshan，Hebei063210，China；

2.CollegeofMetallurgyandEnergy，NorthChinaUniversityofScienceandTechnology，Tangshan，Hebei063210，China；

3.HebeiHighQualitySteelContinuousCastingEngineeringTechnologyResearchCenter，Tangshan，Hebei063000，China；

4.SchoolofMaterialsScienceandEngineering，HebeiUniversityofScienceandTechnology，Shijiazhuang，Hebei050018，China）

Abstract：

Tosolvetheproblemsoflowaccuracy，slowdetectionspeed，anddifficultyindeployingmodelparametersinsurfacedefectdetectionofcontinuouscastingproductionprocess，alightweightsurfacedefectdetectionalgorithmYOLOv7-TSCRthatintegratesheavyparameterizationandattentionmechanismwasproposed.Firstly，basedontheMishandSiLUactivationfunctionsandtheSimAMattentionmechanism，animprovedhigh-efficiencylayeraggregationmoduleELAN-Swasconstructedtoeffectivelyenhancetheextractionofmulti-scaledefectfeatures.Secondly，theC2f_RGmodulewasdesignedtoimprovethefeaturefusionnetwork，reducingthenumberofparameterswhileobtainingrichergradientflowinformationandenhancingfeaturefusioncapabilities.Finally，basedonthecollecteddefectimagesfromactualproduction，adatasetofcastingdefectswasconstructedandvalidated.TheresultsshowthatYOLOv7-TSCRhassignificantlyimproveddetectionperformancecomparedtoothernetworkmodels；Withareducednumberofmodelparameters，theaccuracyreaches93.5%，theaverageaccuracyincreasesby2.8%，andthedetectionspeedreaches120FPS;ThegeneralizationcomparisonexperimentontheNEU-DETpublicdatasetprovesthatthealgorithmhasstronggeneralization.Onthebasisofensuringhighdetectionaccuracy，theimprovedalgorithmhasafastdetectionspeedandasmallnumberofparameters，whichprovidesatechnicalreferencefortheefficientdetectionofsurfacedefectsincastingbillets.

Keywords：

steelmaking;surfacedefectofcastingbillet;attentionmechanism;multi-scalefeature;YOLOv7

連鑄是鋼鐵生產流程中承上啟下的重要環節，鑄坯表面質量是決定鋼材產品優劣的核心因素。鑄坯生產過程中受工藝參數波動影響，鑄坯表面可能會形成裂紋[1]、皮下氣泡[2]、結疤、劃傷等表面缺陷。各類缺陷的產生會嚴重影響后續的軋制生產效率及鋼材產品質量，是阻礙企業生產高品質鋼材產品的重要因素，因此開展鑄坯表面缺陷檢測技術的創新研究，對減少能耗、提高鋼產品質量具有重要意義。

隨著鋼鐵領域智能制造技術的深入推進，傳統的人工檢測、紅外檢測方法檢測效率低、精度差、具有較大的滯后性，難以直觀呈現表面缺陷的具體形貌，不能實現實時的生產在線檢測與連鑄生產工藝的智能調節，難以滿足以ESP、MCCR為代表的板坯連鑄連軋高效、低碳生產模式的發展

[3]。近年來，基于人工智能的視覺檢測技術飛速發展，為鑄坯質量檢測領域帶來了新的變革。ZHAO等[4]設計了一種融合全連接網絡的深度卷積神經網絡模型，實現了對連鑄板坯表面缺陷的分類檢測。DESHPANDE等[5]提出了一種SiameseCNN算法并對鋼鐵表面進行識別，顯著降低了模型對訓練數據的要求，實現了對鋼板表面質量的實時檢測。

相比于上述的檢測方法，基于深度學習的SSD[6]、YOLO[7]缺陷檢測算法在檢測速度和精度上具有較好的平衡，在檢測領域逐步得到發展應用。YOLO系列目標檢測算法能在保證精度的前提下提升檢測速度，在表面缺陷檢測領域具有顯著優勢。為解決復雜工業生產環境下熱軋鋼條表面缺陷檢測準確率不高、小范圍信息表現差等問題，劉艷菊等[8]提出一種改進的YOLOv4熱軋鋼條缺陷實時檢測算法，在保證檢測速度的前提下提升檢測精度。趙春華等[9]提出了PC-YOLOv7缺陷檢測算法，通過引入雙向特征金字塔結構有效提高了缺陷識別精度。盧俊哲等[10]使用可變形卷積替代常規卷積降低模型參數量和模型權重，解決因資源受限設備難以部署高精度模型的問題。王睿澤等[11]提出了基于MobileNetv2主干網絡的YOLOv3算法，提升了對連鑄坯表面缺陷的檢測速度，但實驗過程僅針對劃痕和裂紋2類表面缺陷。竇智等[12]在YOLOv7網絡中的ELAN模塊中加入SE模塊[13]，增強了鋼板表面缺陷特征的提取，同時利用ACmix注意力機制，提升了對鋼板上小型缺陷的檢測能力，但未對模型的參數量大小和運算速度進行分析。高春艷等[14]提出CDN-YOLOv7鋼材表面缺陷檢測算法，通過加入CARAFE輕量化采樣算子，并設計新的檢測頭網絡，優化了網絡特征融合能力，降低了缺陷漏檢率，但模型的參數量較大。李偉等[15]將SimAM、GAM2種注意力機制融入YOLOv7的池化卷積模塊，提升了對缺陷信息提取的完整性，并利用K-means++對數據集聚類，提高了缺陷識別的穩定性，但檢測速度較YOLOv7網絡略有降低。

上述YOLO模型存在模型權重過大、檢測速度慢、識別效率低、難以部署的問題。為有效提升對鑄坯表面缺陷的檢測效率，解決因模型權重過大檢測結果較為滯后的問題，同某鋼鐵企業展開合作，采集連鑄在線生產的鑄坯表面圖像，構建鑄坯表面缺陷檢測數據集，開展缺陷檢測實驗，提出了一種基于YOLOv7-TSCR的連鑄坯表面缺陷檢測模型。

1連鑄坯缺陷檢測算法結構

1.1YOLOv7-Tiny網絡結構

YOLOv7-Tiny是在YOLOv7[16]的基準上簡化而來的一種高效的輕量級目標檢測算法，是專為邊緣計算機、單片機等計算資源有限設備設計的小型模型。YOLOv7算法相比上一代YOLO算法在準確度上得到進一步的提高，但網絡結構過于復雜，參數量過大，對設備性能要求過高[17]。YOLOv7-Tiny在YOLOv7算法的基礎上采用了更緊湊的網絡架構和優化的訓練策略，雖犧牲了一定程度的精度，但在實時性檢測上具有優勢。

YOLOv7-Tiny的整個模型網絡如圖1所示，可以分為數據輸入端（Input）、網絡主干特征提取（Backbone）、特征融合（Neck）與多尺度特征及預測回歸分類（Head）4部分。將圖像預處理后，對輸入的不同尺寸圖像重新規定大小，采用動態標簽分配策略確定正負樣本；Backbone由卷積模塊、高效層聚合網絡、MP模塊構成，進行圖像特征提取；Neck與Head層對特征圖進行多尺度融合和預測。YOLOv7-Tiny算法沿襲了以往YOLO系列算法的優點，擁有較快的模型推理速度，相比于其他模型更容易部署在需要滿足實時檢測要求的工業領域，非常適合應用于鑄坯表面缺陷實時檢測。

YOLOv7-Tiny模型以犧牲一定檢測精度為前提，簡化了對圖像特征提取的網絡結構，降低了模型參數量，使模型得以輕量化，但受鑄坯表面缺陷特征種類多樣、形貌復雜的影響，輕量化模型容易因特征信息提取能力不足，導致缺陷檢測性能變差，產生對缺陷的誤檢和漏檢。

1.2YOLOv7-TSCR網絡結構

為增強模型對特征信息的提取能力，提升缺陷檢測精度，同時滿足缺陷檢測的快速性、實時性要求，提出了基于YOLOv7-Tiny結構的改進網絡模型YOLOv7-TSCR，具體算法框架如圖2所示。在YOLOv7-TSCR網絡中，對YOLOv7-Tiny網絡Backbone層中的ELAN模塊進行改進，將其中原有的Leaky_ReLU激活函數替換為Mish、SiLU激活函數，并引入SimAM（similarity-basedattentionmodule）注意力機制，構成新的高效層聚合模塊ELAN-S，能夠更好地挖掘鑄坯表面缺陷的多尺度特征，使網絡接納更多特征信息，同時提高計算效率并增強魯棒性。其次，使用更緊湊的C2f_RG模塊替換Head層中的ELAN模塊，C2f_RG可利用不同層級的特征圖進行信息融合，在減少參數量的同時獲得更豐富的梯度流信息，增強網絡特征融合能力。

1.3改進的高效層聚合網絡ELAN-S

選擇合適的激活函數能使模型更好地學習多種尺度特征。為避免在正負輸入值之間建立一致聯系的困難，將激活函數Leaky_ReLU[18]替換為Mish[19]和SiLU。它們所具有的方程如下：

Leaky_ReLU（x）=

x，xgt;0，

αx，[DW]x≤0，（1）

Mish（x）=x·tanh（ln（1+ex）），（2）

SiLU=x1+e-x。（3）

通過引入可導的激活函數Mish和SiLU，使梯度計算變得更容易，替換的激活函數可以在零處達到最小值，可保持穩定并緩沖權重。如圖3所示，與Leaky_ReLU激活函數相比，Mish和SiLU激活函數更加平滑，增加了更多的非線性表達，增強了模型的學習能力。

注意力機制是模仿人類視覺和認知系統的方法，不局限于特定網絡的模塊。現有注意力模塊在空間和通道維度上缺乏靈活性，同時參數量較高。YANG等[20]提出了一種無參數的SimAM注意力機制，通過計算能量函數給予重要神經元更大權重。相比其他注意力機制，SimAM可無需引入額外的學習參數，能夠減少其他特征干擾，增強對缺陷的特征提取。能量函數定義如式（4）所示：

et（wt，bt，y，xi）=

（yt-[AKt^]）2+1M-1∑M-1i=1[DD）]

（y0-[AKx^]i）2，（4）

式中：t為目標神經元；xi為其他神經元；M為通道上神經元個數；wt表示權重；bt表示偏置。

考慮到模型需要在不影響精度和不增加部署成本的情況下滿足實時檢測需求，因此需要進行較少的特征提取操作來維持模型參數量和計算量的規模。本文在原有YOLOv7-Tiny模型高效層聚合網絡的基準上，引入Mish和SiLU激活函數以及SimAM無參數注意力機制，構成改進的ELAN-S結構，如圖4所示。

1.4C2f_RG模塊

C2f（CSPDarknet53to2-StageFPN）[21]是YOLOv8網絡中的多尺度特征融合模塊，參考了YOLOv5中C3模塊與YOLOv7中ELAN模塊的設計思想，能夠利用不同層級的特征圖進行信息融合，可從粗糙的特征圖，逐漸細化到更細致的特征圖，對不同尺度目標的檢測效果較好。添加C2f模塊能在保證輕量化的同時獲得更加豐富的梯度流信息。與使用自注意力機制的ELAN特征融合模塊相比計算量更小，更適合應用于實時檢測場景。

RepGhost模塊[22]是一個輕量級的卷積模塊，利用重參數化技術，通過替換Ghost模塊中低效的連接操作符，實現特征重用以節省推理時間。RepGhostBottleneck結構如圖5所示。

為了更好地進行鑄坯缺陷檢測，本文使用YOLOv8中C2f和RepGhostBottleneck設計如圖6所示的C2f_RG特征融合模塊，在提升非線性表達、減少參數量的同時獲得梯度流更加豐富的結構，以便提取到更豐富的多尺度缺陷特征。

2數據集構建及評價指標

2.1實驗場景與數據采集

通過與某鋼廠合作，共同開展連鑄坯表面缺陷檢測技術的研發，采集板坯連鑄生產線上的鑄坯表面圖像。如圖7所示，在鋼廠連鑄生產線上，搭建在線視覺檢測設備，其中包括缺陷視覺檢測平臺、數據分析平臺、冷卻設備等裝置，圖右側部分所示為缺陷圖像采集設備，可在線完成鑄坯表面圖像數據的采集工作，為后續鑄坯表面缺陷在線檢測研究提供真實的缺陷圖像數據集。

2.2數據集構建

圖像采集后，經過圖像預處理、圖像增強，統一圖像質量，將圖像像素大小設為500×500，構建連鑄坯表面缺陷圖像數據集。如圖8所示，數據集由1類正常圖像和5類缺陷圖像組成，分別為分布在鑄坯角部的劃痕（cornerscratch，Cs）、角裂紋（cornercrack，Cc），出現在鑄坯寬面上的縱裂紋（longitudinalcrack，Lc）、結疤（scarring，Sc）和夾渣、凹陷等其他缺陷（otherdefects，Od），每類缺陷600張，共計3600張，按7∶2∶1的比例劃分訓練集、驗證集和測試集，并使用Mosaic數據增強[23]，進行模型訓練。

2.3實驗設備及評價指標

缺陷檢測算法訓練和測試使用的顯卡為NVIDIAGeForceRTX4070Ti，使用Pytorch作為深度學習框架搭建模型，具體環境配置為Python3.9+PyTorch2.0.0+Cuda11.8+cuDNN8.9.3，訓練批次（BatchSize）為16，學習率為0.01，模型訓練周期（Epoch）為200。

對于改進前后的模型，選用精確率P（Precision）、召回率R（Recall）、F1參數、平均精度均值mAP（meanaverageprecision）為評價指標。

P=TPTP+FP，（5）

R=TPTP+FN，（6）

式中：TP為預測待測缺陷被正確檢測到的數量；FP為預測非待測缺陷被檢測為待測缺陷的數量；FN為預測待測缺陷被錯誤檢測到的數量。

F1=2PRP+R，（7）

式中：F1為P和R的加權調和平均。F1越大，模型穩定性越好。

AP=∫10P（R）dR，（8）

mAP=∑Ni=1[DD）]APiN，（9）

式中：AP為檢測某一類缺陷的平均準確率；N為被測類別數量。選取mAP@0.5作為模型準確度的評價指標（mAP@0.5代表將IOU閾值取0.5時的mAP值）。

使用幀率FPS（framespersecond）、參數量（params）、計算量即每秒浮點運算次數（GFLOPs），衡量模型處理圖像的速率、參數量大小和計算復雜程度（計算量越小，運行效率越高）。

3實驗分析

3.1注意力機制實驗

為驗證ELAN-S模塊中SimAM注意力機制的先進性，基于對YOLOv7-Tiny網絡的改進，引入SimAM等4種不同注意力機制，進行對比實驗，生成注意力機制熱圖，并使用XGrad-CAM進行可視化分析[24]。將5種不同注意力機制即SimAM、CA、SE、ECA、CBAM分別加入后進行對比試驗。圖9為加入不同注意力機制的熱力圖，表1為使用不同注意力機制后模型的實驗數據。

由圖9可以得出，對于角部劃痕缺陷，加入注意力機制后，對缺陷目標的關注度明顯提高，對比其他注意力機制，SimAM對缺陷位置的關注度最高、檢測效果更好，從可視化的角度說明了SimAM注意力機制的優越性。

由表1可得出，YOLOv7-Tiny模型加入不同注意力機制后，其F1值和mAP@0.5值均有相應提升，加入SimAM后，相較于其他模型F1值提升了3%，網絡模型穩定度較高；其mAP@0.5值和模型召回率R值提升較為明顯，分別提升了2.8%和3.9%，是5種注意力對比實驗中的最高值，證明了加入SimAM注意力機制的模型具備更好的檢測能力和更高的穩定性。

綜上所述，注意力機制對比實驗從數據指標和可視化角度共同表明，加入SimAM注意力機制可以有效提高模型對目標的關注程度，加強細節特征，提升網絡模型的容錯率，提高模型的檢測性能。

3.2消融實驗

為了驗證對YOLOv7-Tiny算法所做的各項改進對表面缺陷檢測的影響，在改進模型的基準上，保持相同實驗條件的同時對ELAN-S和C2f_RG進行效果驗證，開展了如表2所示的實驗（“√”為添加此模塊）。

由表2中消融實驗結果可以發現，Model2中引入ELAN-S模塊改進高效層聚合網絡后，模型的檢測精度mAP@0.5值為88%，提高了2.4％，效果顯著，但模型的計算量和參數量都有小幅增加；Model3配置C2f_RG模塊后，與Model1相比，其檢測精度值提高了1.5%，計算量值減少了0.9GFLOPs、參數量下降0.47×106，明顯降低了模型所需的運算成本；Model4為將2個模塊同時引入原模型，與YOLOv7-Tiny模型相比，在計算量和參數量分別減少0.9GFLOPs和0.46×106的情況下，檢測精度值為88.4%，提高了2.8%。實驗表明：2種模塊相結合對模型改進和檢測效果的提升幫助明顯，且優于單一模塊的作用。

消融實驗訓練結果如圖10所示。圖10a）表示Epoch-mAP@0.5曲線圖，圖10b）表示Epoch-Recall曲線圖。從圖中可以看出本文提出的YOLOv7-Tiny+ELAN-S+C2f-RG綜合對比其他改進算法效果最好，具有更好的模型檢測性能和更高的模型穩定性。

3.3YOLOv7-TSCR與其他算法對比實驗

為了進一步驗證YOLOv7-TSCR算法的有效性和先進性，設計了改進算法與其他主流YOLO目標檢測算法間的對比試驗，在保持實驗環境不變且統一訓練200輪的情況下，實驗結果如表3所示。本文提出的改進網絡模型的性能均優于表中其他模型；對比輕量化YOLOv3-Tiny和YOLOv5s模型，改進算法mAP@0.5指標分別提升了27.6%和2.6%，檢測速度提升了25FPS；改進后的網絡較原YOLOv7-Tiny模型的每類缺陷檢測準確度都有提升，參數量減少了0.46×106，mAP@0.5值提升了2.8%，速度提升了9FPS。實驗結果表明，本文提出的YOLOv7-TSCR算法具有更好的缺陷檢測性能，SimAM無參數注意力機制的引入使網絡模型更加關注缺陷形貌特征，提升了各類缺陷的識別精度；C2f_RG模塊的引入在增強網絡特征融合能力的同時保持較少的計算量和參數量，提升了模型運算和決策速度，有效提升檢測效率。綜上所述，改進模型在檢測精度、速度和參數量等方面取得了較好的平衡，可以滿足連鑄坯表面缺陷檢測需求。

算法改進前后的部分缺陷檢測效果對比如圖11所示，方框數值代表檢測置信度。由圖11a）可知，基準網絡能識別出形貌特征較為明顯的缺陷，但在復雜背景的干擾下部分缺陷的形貌特征難以識別，存在較為嚴重的缺陷漏檢情況；由圖11b）可知，YOLOv7-TSCR算法能彌補角部裂紋等缺陷識別效果不佳的現象，且算法預測框能夠精準地包裹在缺陷特征周圍，提高了對缺陷目標的定位準確度，充分說明了改進的YOLOv7-TSCR算法具有較強的特征感知和特征提取能力，從檢測結果可視化的角度證明改進算法具有一定的優勢。

3.4泛化性對比實驗

為了更加全面的評價YOLOv7-TSCR網絡的檢測性能，選取東北大學公開的鋼板表面缺陷數據集（NEU-DET）進行模型泛化能力實驗。其中包含圖12中熱軋帶鋼表面的6類缺陷（每類300張圖片），分別為劃痕（Sc）、斑塊（Pa）、夾雜物（In）、點蝕表面（Ps）、軋制氧化皮（Rs）和開裂（Cr）。將1800張圖像按照8∶2的比例，劃分為訓練集和驗證集（訓練集1440張、驗證集360張），進行算法缺陷檢測對比實驗。由表4可知，除對軋制氧化皮（Rs）缺陷的平均檢測精度低以外，改進后算法在其他缺陷種類的平均檢測精度上均有所提升，證明了在公開數據集上YOLOv7-TSCR模型的檢測效果優于原網絡架構，具有一定的廣泛應用價值。

4結語

本文利用機器視覺在線檢測設備，建立了連鑄坯表面缺陷數據集，基于YOLOv7網絡提出了一種融合重參數化和注意力機制的鑄坯表面缺陷輕量化檢測算法。改進算法將原網絡Backbone層中的ELAN模塊替換為融合Mish和SiLU激活函數及SimAM注意力機制的高效聚合模塊ELAN-S，提升了網絡特征提取能力。將原網絡Head層中的ELAN模塊替換為C2f_RG模塊，使算法在參數量減少的同時獲得更豐富的梯度流信息，有效提高了檢測精度并且保證了算法的輕量化。通過在自制連鑄坯表面缺陷數據集上的對比實驗，證明了YOLOv7-TSCR模型的先進性，與YOLOv7-Tiny模型相比，參數量減少了0.46×106，檢測精度均值提高了2.8%，處理速度達到120FPS。同時，該算法在公開的NEU-DET帶鋼缺陷數據集上進行檢測實驗，體現出良好的缺陷檢測準確性，具有較強的檢測泛化能力，符合在線檢測的要求。

參考文獻/References：

[1]康旭輝.連鑄方坯的常見表面缺陷及控制[J].中國金屬通報，2023（1）：156-158.

KANGXuhui.Commonsurfacedefectsandcontrolofcontinuouscastingbillets[J].ChinaMetalBulletin，2023（1）：156-158.

[2]王田田，楊樹峰，李京社，等.連鑄坯皮下氣泡缺陷成因及控制[J].中國冶金，2020，30（12）：35-43.

WANGTiantian，YANGShufeng，LIJingshe，etal.Causesandcontrolofsubcutaneousbubbledefectsincontinuouscastingbillets[J].ChinaMetallurgy，2020，30（12）：35-43.

[3]黃軍，王寶峰，張雪元，等.高溫鑄坯表面缺陷在線檢測技術開發及應用[J].連鑄，2022（6）：61-67.

HUANGJun，WANGBaofeng，ZHANGXueyuan，etal.Developmentandapplicationofonlinedetectiontechnologyforsurfacedefectsofhightemperaturebillets[J].ContinuousCasting，2022（6）：61-67.

[4]ZHAOLiming，LIFangfang，ZHANGYi，etal.Adeep-learning-based3DdefectquantitativeinspectionsysteminCCproductssurface[J].Sensors，2020.DOI：10.3390/s20040980.

[5]DESHPANDEAM，MINAIAA，KUMARM.One-shotrecognitionofmanufacturingdefectsinsteelsurfaces[J].ProcediaManufacturing，2020，48：1064-1071.

[6]LIUWei，ANGUELOVD，ERHAND，etal.SSD：SingleshotMultiBoxdetector[C]//14thEuropeanConferenceComputerVision：ECCV2016.Amsterdam：Springer，2016：21-37.

[7]REDMONJ，DIVVALAS，GIRSHICKR，etal.Youonlylookonce：Unified，Real-Timeobjectdetection[C]//2016IEEEConferenceonComputerVisionandPatternRecognition（CVPR）.LasVegas：IEEE，2016：779-788.

[8]劉艷菊，王秋霽，趙開峰，等.基于卷積神經網絡的熱軋鋼條表面實時缺陷檢測[J].儀器儀表學報，2021，42（12）：211-219.

LIUYanju，WANGQiuji，ZHAOKaifeng，etal.Real-timedefectdetectionofhotrollingsteelbarbasedonconvolutionneuralnetwork[J].ChineseJournalofScientificInstrument，2021，42（12）：211-219.

[9]趙春華，羅順，譚金鈴，等.基于PC-YOLOv7算法鋼材表面缺陷檢測[J].國外電子測量技術，2023，42（9）：137-145.

ZHAOChunhua，LUOShun，TANJinling，etal.DetectionofsteelsurfacedefectsbasedonPC-YOLOv7algorithm[J].ForeignElectronicMeasurementTechnology，2023，42（9）：137-145.

[10]盧俊哲，張鋮怡，劉世鵬，等.面向復雜環境中帶鋼表面缺陷檢測的輕量級DCN-YOLO[J].計算機工程與應用，2023，59（15）：318-328.

LUJunzhe，ZHANGChengyi，LIUShipeng，etal.LightweightDCN-YOLOforstripsurfacedefectdetectionincomplexenvironments[J].ComputerEngineeringandApplications，2023，59（15）：318-328.

[11]王睿澤，孫鐵強，宋超，等.基于改進YOLOv3算法的連鑄坯表面缺陷檢測[J].組合機床與自動化加工技術，2023（1）：75-78.

WANGRuize，SUNTieqiang，SONGChao，etal.SurfacedefectdetectionofcontinuouscastingslabbasedonimprovedYOLOv3algorithm[J].ModularMachineToolamp;AutomaticManufacturingTechnique，2023（1）：75-78.

[12]竇智，胡晨光，李慶華，等.改進YOLOv7的小樣本鋼板表面缺陷檢測算法[J].計算機工程與應用，2023，59（23）：283-292.

DOUZhi，HUChenguang，LIQinghua，etal.ImprovedYOLOv7algorithmforsmallsamplesteelplatesurfacedefectdetection[J].ComputerEngineeringandApplications，2023，59（23）：283-292.

[13]HUJie，SHENLi，SUNGang.Squeeze-and-Excitationnetworks[C]//2018IEEE/CVFConferenceonComputerVisionandPatternRecognition.SaltLakeCity：IEEE，2018：7132-7141.

[14]高春艷，秦燊，李滿宏，等.改進YOLOv7算法的鋼材表面缺陷檢測研究[J].計算機工程與應用，2024，60（7）：282-291

GAOChunyan，QINShen，LIManhong，etal.ResearchonsteelsurfacedefectdetectionwithimprovedYOLOv7algorithm[J].ComputerEngineeringandApplications，2024，60（7）：282-291.

[15]李偉，姚小敏，張鵬超，等.改進的YOLO-V7鋼材表面缺陷檢測算法研究[J/OL].機械科學與技術.（2023-12-22）[2024-03-02].https：//link.cnki.net/doi/10.13433/j.cnki.1003-8728.20230368.

LIWei，YAOXiaomin，ZHANGPengchao，etal.ResearchonimprovedYOLO-V7steelsurfacedefectdetectionalgorithm[J/OL].MechanicalScienceandTechnologyforAerospaceEngineering.（2023-12-22）[2024-03-02].https：//link.cnki.net/doi/10.13433/j.cnki.1003-8728.20230368.

[16]WANGCY，BOCHKOVSKIYA，LIAOH.YOLOv7：Trainablebag-of-freebiessetsnewstate-of-the-artforreal-timeobjectdetectors[C]//2023IEEE/CVFConferenceonComputerVisionandPatternRecognition（CVPR）.VancouverBC：IEEE，2023：7464-7475.

[17]劉浩翰，樊一鳴，賀懷清，等.改進YOLOv7-tiny的目標檢測輕量化模型[J].計算機工程與應用，2023，59（14）：166-175.

LIUHaohan，FANYiming，HEHuaiqing，etal.ImprovedYOLOv7-tiny′sobjectdetectionlightweightmodel[J].ComputerEngineeringandApplications，2023，59（14）：166-175.

[18]XUJin，LIZishan，DUBowen，etal.Reluplexmademorepractical：LeakyReLU[C]//2020IEEESymposiumonComputersandCommunications（ISCC）.Rennes：IEEE，2020：1-7.

[19]NADERA，AZARD.Searchingforactivationfunctionsusingaself-adaptiveevolutionaryalgorithm[C]//Proceedingsofthe2020GeneticandEvolutionaryComputationConferenceCompanion.Cancun：Associationforcomputingmachinery，2020：145-146.

[20]YANGLingxiao，ZHANGRuyuan，LILida，etal.Simam：Asimple，parameter-freeattentionmoduleforconvolutionalneuralnetworks[J].ProceedingsofMachineLearningResearch，2021，139：11863-11874.

[21]ZHAOZhiwei，SONGLili，HANJianfeng.Animprovedobjectdetectionmodelforautonomouspilotofengineeringinspection[C]//Proceedingsofthe20215thInternationalConferenceonDigitalSignalProcessing.Chengdu：AssociationforComputingMachinery，2021：243-248.

[22]CHENC，GUOZ，ZENGH，etal.Repghost：Ahardware-efficientghostmoduleviare-parameterization[EB/OL].（2022-11-11）[2024-03-02].https：//arxiv.org/abs/2211.06088.

[23]WANGHao，SONGZhili.Improvedmosaic：Algorithmsformorecompleximages[J].JournalofPhysics：ConferenceSeries，2020.DOI：10.1088/1742-6596/1684/1/012094.

[24]SELVARAJURR，COGSWELLM，DASA，etal.Grad-CAM：VisualexplanationsfromdeepnetworksviaGradient-Basedlocalization[C]//2017IEEEInternationalConferenceonComputerVision（ICCV）.Venice：IEEE，2017：618-626.

收稿日期：2024-03-04；修回日期：2024-04-11；責任編輯：馮民

基金項目：

國家自然科學基金（51904107）；中央引導地方科技發展資金項目（236Z1017G）；河北省博士研究生創新資助項目（CXZZBS2021096）；

唐山市市級科技計劃項目（22130220G）

第一作者簡介：

曾凱（1990—），男，河北唐山人，講師，碩士，主要從事連鑄坯質量檢測與控制方面的研究。

通信作者：陳波，教授。E-mail：chenbo182001@163.com

曾凱，陳波，馬智華，等.

基于YOLOv7-TSCR的連鑄坯表面缺陷檢測［J］.河北科技大學學報，2024，45（4）：351-361.

ZENGKai，CHENBo，MAZhihua，etal.SurfacedefectdetectionofcontinuouscastingbilletsbasedonYOLOv7-TSCR

［J］.JournalofHebeiUniversityofScienceandTechnology，2024，45（4）：351-361.