文章摘要:为解决由于型钢表面缺陷形态多样、微小缺陷众多所带来的检测效率低与检测精度差的问题，提出一种基于可变形卷积与多尺度-密集金字塔的型钢表面缺陷检测算法Steel-YOLOv3。首先，使用可变形卷积代替Darknet53网络部分残差单元的卷积层，强化特征提取网络对型钢表面多类型缺陷的特征学习能力。其次，设计了多尺度-密集特征金字塔模块：在原有YOLOv3算法3层预测尺度上增加1层更浅层的预测尺度，再对多尺度特征图进行跨层密集连接，增强对密集微小缺陷的表征能力。最后，针对型钢缺陷尺寸分布特点使用K-means维度聚类方法优化先验框尺寸并平均分配到4个对应预测尺度上。实验结果表明：Steel-YOLOv3算法具有89.24%的检测精度，与Faster R-CNN、YOLOv3和YOLOv5算法相比检测精度分别提高了3.51%、12.63%和5.71%，且算法显著提升了微小剥落缺陷的检出率；所提算法的每秒钟检测图像数量达到25.62张，满足实时检测的要求，可实际应用于型钢表面缺陷的在线检测。

文章关键词:

论文分类号:TP391.41;TP18;TG115

文章来源：《中国金属通报》 网址: http://www.zgjstbzz.cn/qikandaodu/2021/1015/1413.html