| 使用环境 |
在钢材生产或检测车间内，环境光照稳定，无强烈反光或阴影干扰。相机与钢材表面保持适当距离和角度进行拍摄，相机镜头距离钢材表面约50cm，平行于钢材表面拍摄。 |
| 使用对象 |
钢材表面的各类缺陷，如裂缝、夹杂物、斑块、点蚀表面、氧化皮、划痕 |
| 使用目的 |
准确检测钢材表面的各类缺陷，以便及时发现并处理，提高钢材的质量和使用寿命，保障工业生产的稳定运行。 |
| 输入数据 |
钢材表面的图像帧，图像分辨率为640×640像素，以jpg格式存储。 |
| 输出数据 |
缺陷类型（如裂缝、夹杂物等）、缺陷位置坐标（以图像像素坐标表示）、缺陷数量 |
| 硬件配置 |
CPU：Intel Core i7-12700H，8核心，主频3.5GHz
- GPU：NVIDIA GeForce RTX 4060，具有较高的计算能力和显存容量，适合深度学习算法的加速运行
- 内存：16GB DDR4，频率3200MHz，为算法运行提供足够的内存空间
- 摄像头：工业级高分辨率相机，用于拍摄钢材表面的图像，分辨率不低于2048×2048像素
- 硬盘：1TB SSD，用于存储大量的图像数据和模型文件，读写速度快
- 网卡：千兆以太网卡，用于数据传输和远程监控 |
| 样本获取 |
在实际钢材生产或检测车间现场，从不同角度和光照条件下拍摄钢材表面的图像，共获取1800张样本图像，其中1040张用于训练集，360张用于验证集，360张用于测试集。 |
| 测试结果 |
对测试集360个样本进行检测，平均精度（mAP）达到72.9%，精确度为69.9%，检测速度（FPS）达到104.1帧。 |
| 执行速度 |
检测速度约为9.6ms/次 |
| 资源消耗 |
CPU：在4核CPU上，计算占比分别平均约50%，60%，70%，40% - GPU：显存占用约6GB，显卡计算占比约80% - 内存：使用占比约60% |
| 源码类型 |
本算法有Python版本源码，可提供授权使用。 |
| 文件大小 |
算法程序文件25K，权重文件67M。 |
| 相关备注 |
|
