| 使用环境 |
在工业生产环境中，对热轧带钢表面进行缺陷检测，使用高清摄像头拍摄带钢表面图像，相机镜头距离带钢表面约50cm，平行于带钢表面拍摄，光照条件为工厂环境自然光或人工辅助照明。 |
| 使用对象 |
热轧带钢表面的各类缺陷，包括裂纹、夹杂、斑块、麻点、压入氧化、划痕 |
| 使用目的 |
通过深度学习技术，实现对热轧带钢表面缺陷的快速、准确检测，提高生产效率，降低人工检测成本，提升产品质量控制水平。 |
| 输入数据 |
高清摄像头拍摄的热轧带钢表面图像 |
| 输出数据 |
缺陷类型、缺陷位置坐标、缺陷检测精度。 |
| 硬件配置 |
CPU：Intel Core i7-8700K
GPU：NVIDIA GTX 1080Ti
内存：16GB
摄像头：高清工业摄像头，分辨率不低于200×200像素 |
| 样本获取 |
在实际生产现场拍摄热轧带钢表面图像，获取1800张样本图像，其中1260张用于训练集，540张用于测试集。 |
| 测试结果 |
在NEU-DET数据集上，检测速度为11.8帧/秒，平均精度达到79.90%，优于其他深度学习带钢表面缺陷检测算法。 |
| 执行速度 |
检测速度为11.8帧/秒。 |
| 资源消耗 |
针对上述硬件配置，使用PyTorch记录的数据，单独运行算法时，CPU计算占比平均约60%，GPU计算占比平均约70%，内存使用占比约50%。 |
| 源码类型 |
本算法有Python版本源码，使用售卖方式三进行授权。 |
| 文件大小 |
算法程序文件30KB，权重文件56MB。 |
| 相关备注 |
本算法采用自适应全局定位网络（AGLNet），结合残差网络（ResNet）和特征金字塔网络（FPN）进行特征提取，通过自适应树型候选框提取网络（AT-RPN）和全局定位回归算法实现缺陷的精确定位和分类。实验结果表明，该算法在检测精度和速度上均优于现有的深度学习带钢表面缺陷检测算法，具有较高的实用性和泛化能力。 |
