[0001] 本发明涉及一种缺陷检测方法，尤其涉及一种基于改进YOLO模型的钢材表面缺陷检测方法，属于目标检测技术领域。

[0002] 钢铁被称为“工业粮食”，钢铁工业是国民经济重要支柱产业，中国钢铁工业实现了跨越式发展，步入了高质量发展的新阶段，钢铁质量的重要性不言而喻。钢材的表面缺陷会导致性能和使用年限降低，甚至直接造成安全事故的发生。因此，表面缺陷检测在钢材生产过程中是一个十分重要的环节，各大企业也将其视为提高产品质量的关键技术，相关学者也在进行钢材表面缺陷检测方法的研究。因此，在上述情况下对钢材表面缺陷进行快速且精准的检测具有重要的研究意义。

[0003] 目前，在工业场景对钢材表面缺陷检测主要包括在线直接检测、人工检测、涡流检测、红外检测、漏磁检查、传统的图像处理检测方法等。涡流检测、红外检测、漏磁检查由于技术和成本较高无法得到广泛的应用；在线直接检测钢材表面缺陷存在生产环境恶劣、高温高热、噪声大、危险系数高的问题；人工检测存在检测疲劳和经验判断不一致的问题；传统的图像处理检测方法无法满足高速、实时的检测需求；基于深度学习的检测由于现有的钢材表面缺陷图像样本较少，导致用于训练的图片不足，很难达到预期的成果。随着图像采集设备性能的提升，能够采集到大量的钢材表面图像数据，计算机设备的计算能力提升为深度学习模型处理海量复杂数据提供硬件基础。深度学习卷积神经网络具有强大的提取学习图像特征的能力，具有泛化能力强和鲁棒性高的优点，逐渐替代了传统的检测方法。由于工业场景下钢材表面缺陷背景复杂，且影响钢材表面质量的缺陷种类较多，各类缺陷表征形式不同，同一类缺陷的表征形式也有所差别，对于缺陷和背景特征相差不大时，深度学习不能很好的提取特征，而且在面对微弱缺陷等小目标检测过程中精度不理想，导致模型检测效果差。