基于YOLOv5的钢板表面缺陷检测系统开发实践

1. 项目概述

在钢铁制造行业，钢板表面缺陷检测是质量控制的关键环节。传统的人工检测方式不仅效率低下，而且容易因视觉疲劳导致漏检。我们基于YOLOv5开发了一套自动化检测系统，能够准确识别六种常见缺陷：夹杂、划痕、压入氧化皮、裂纹、麻点和斑块。

这个项目最大的特点就是"开箱即用"——我们不仅提供了完整的训练代码，还包含了2000+张标注好的钢板缺陷数据集和训练好的权重文件。这意味着即使你没有深度学习经验，也能快速部署这套系统进行实际检测。

2. 环境准备与数据解析

2.1 开发环境配置

建议使用Python 3.8+和PyTorch 1.7+环境。以下是快速搭建环境的命令：

bash复制conda create -n steel_defect python=3.8
conda activate steel_defect
pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 -f https://download.pytorch.org/whl/torch_stable.html
pip install -r requirements.txt  # YOLOv5官方requirements

注意：如果使用较新的CUDA版本，需要对应调整PyTorch版本。建议使用CUDA 11.1以上版本以获得最佳性能。

2.2 数据集结构解析

我们的数据集采用YOLO标准格式组织：

code复制steel_defect/
├── images/
│   ├── train/  # 训练集图片(1600张)
│   └── val/    # 验证集图片(400张)
└── labels/
    ├── train/  # YOLO格式标注文件
    └── val/

标注文件示例：

code复制0 0.543125 0.621875 0.062500 0.075000  # 类别0(夹杂)
3 0.321875 0.437500 0.050000 0.062500  # 类别3(裂纹)

每个标注行的格式为：class_id x_center y_center width height，所有坐标值都是相对于图片宽高的归一化值(0-1)。

2.3 数据分布统计

我们对六类缺陷的分布进行了统计分析：

从统计可以看出，压入氧化皮和斑块样本较多，而裂纹相对较少。这种不平衡需要在训练时特别注意。

3. 模型训练与调优

3.1 基础训练配置

使用YOLOv5s模型进行训练，基础命令如下：

bash复制python train.py --img 640 --batch 16 --epochs 100 \
--data steel_defect.yaml --cfg models/yolov5s.yaml \
--weights yolov5s.pt --name steel_defect_detection

关键参数说明：

• --img 640: 输入图像尺寸
• --batch 16: 批次大小(根据GPU显存调整)
• --epochs 100: 训练轮次
• --data: 数据集配置文件
• --cfg: 模型结构配置文件
• --weights: 预训练权重

3.2 针对小目标的Anchor调整

由于钢板缺陷多为小目标，我们修改了默认的anchor尺寸。在models/yolov5s.yaml中：

yaml复制anchors:
  - [5,6,  8,14,  15,11]    # 原版默认
  - [3,4,  6,8,   10,12]    # 调整为适合小目标
  - [2,3,  4,5,   5,9]      # 更小的检测头

实操技巧：可以使用k-means聚类算法在自己的数据集上重新计算anchor尺寸，命令：python utils/autoanchor.py --cfg models/yolov5s.yaml --img 640 --task train

3.3 数据增强策略

针对钢板表面特性，我们强化了以下数据增强：

yaml复制augmentations:
  hsv_h: 0.015  # 色相增强(模拟不同光照)
  hsv_s: 0.7    # 饱和度增强
  hsv_v: 0.4    # 明度增强
  degrees: 5.0   # 旋转角度(小角度即可)
  translate: 0.1 # 平移比例
  scale: 0.5     # 缩放比例
  shear: 5.0     # 剪切变换
  perspective: 0.0001  # 透视变换
  flipud: 0.5    # 上下翻转
  fliplr: 0.5    # 左右翻转

特别增加了随机模糊和锐化增强，以应对钢板反光问题：

python复制# utils/augmentations.py
class RandomBlur:
    def __call__(self, img):
        if random.random() < 0.3:
            return cv2.GaussianBlur(img, (5,5), 0)
        return img

class RandomSharpen:
    def __call__(self, img):
        if random.random() < 0.3:
            kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
            return cv2.filter2D(img, -1, kernel)
        return img

4. 模型推理与部署

4.1 基础推理测试

使用训练好的模型进行推理：

python复制import torch

model = torch.hub.load('ultralytics/yolov5', 'custom', 
                      path='runs/train/steel_defect_detection/weights/best.pt')

img = 'test_image.jpg'
results = model(img)
results.show()  # 显示检测结果
results.save()  # 保存检测结果

4.2 部署优化技巧

对于工业部署，我们推荐以下优化措施：

1. TensorRT加速：

bash复制python export.py --weights best.pt --include engine --device 0 \
--imgsz 640 --half  # 开启半精度推理

2. NMS参数调优：

python复制model.conf = 0.25  # 置信度阈值(根据实际需求调整)
model.iou = 0.45   # 重叠阈值
model.multi_label = False  # 单标签模式

3. 类别权重调整：

python复制# utils/loss.py
class ComputeLoss:
    def __init__(self, ..., class_weights=[1.0, 1.2, 1.5, 2.0, 1.8, 1.3]):
        self.class_weights = class_weights

4.3 性能指标

在RTX 3060上的测试结果：

实际部署建议：在产线环境中，640x640分辨率在速度和精度之间取得了良好平衡。

5. 常见问题与解决方案

5.1 压入氧化皮和斑块误检问题

这是本项目中最常见的误检情况。解决方案：

1. 数据层面：

• 增加这两种缺陷的样本数量
• 人工检查标注质量，确保边界清晰
• 添加更多反光条件下的样本

2. 模型层面：

yaml复制# 增加分类损失权重
loss: 
  cls_pw: 1.5  # 原为1.0

5.2 小目标漏检问题

针对麻点等小目标的漏检：

1. 修改模型结构，增加小目标检测头：

yaml复制# models/yolov5s.yaml
head:
  [[..., 1280]]  # 增加一个更深的检测层

2. 使用更高分辨率训练：

bash复制python train.py --img 1280 ...  # 但会显著增加训练时间

5.3 类别不平衡处理

我们采用以下策略应对：

1. 过采样少数类别（如裂纹）：

python复制# utils/dataloaders.py
class BalancedDataset:
    def __init__(self, ..., oversample_thresh=100):
        # 对样本数少于thresh的类别进行过采样

2. 损失函数加权：

python复制class_weights = [1.0, 1.1, 1.0, 2.0, 1.3, 1.0]  # 对应6个类别

3. 使用Focal Loss：

python复制# utils/loss.py
class FocalLoss:
    def __init__(self, alpha=0.25, gamma=2):
        self.alpha = alpha
        self.gamma = gamma

6. 实际应用建议

经过多次产线测试，我们总结了以下实用建议：

1. 光照条件控制：

• 建议在检测区域安装均匀光源
• 避免强光直射造成的反光
• 可考虑使用偏振滤镜

2. 相机选型：

• 分辨率至少500万像素
• 全局快门优于卷帘快门
• 工业相机优于普通USB相机

3. 部署架构：

code复制产线相机 → 工控机(推理) → 结果可视化 → 缺陷分类存储
                   ↓
               报警系统

4. 持续改进：

• 定期收集新发现的缺陷样本
• 每季度重新训练模型
• 建立缺陷样本库

在实际项目中，我们发现数据质量对最终效果���影响远大于模型结构的选择。建议至少准备2000张高质量标注样本，并且要覆盖各种光照条件和钢板类型。标注时要特别注意边缘模糊的缺陷，这类样本对提升模型鲁棒性非常重要。