基于改进YOLOV11-SOEP的工厂钢材表面缺陷识别系统研究(含源码+数据集+论文)
摘要
钢铁作为现代工业的基础材料，其表面缺陷检测对产品质量控制至关重要。传统人工检测方法存在效率低、主观性强、易疲劳等问题，难以满足现代钢铁工业大规模生产需求。本研究提出一种基于YOLOV11-SOEP的钢铁缺陷检测方法，通过引入SOEP（Spatial-Oriental Enhancement Processing）模块优化模型对缺陷特征的空间和方向感知能力，提高检测精度和实时性。
研究首先分析了钢铁表面缺陷类型及其特征，针对裂纹、划痕、锈蚀、夹杂物等缺陷的视觉特性，设计了改进的YOLOV11-SOEP模型。该模型在YOLOV11基础上引入双重注意力机制（DAM），结合通道注意力和空间注意力，增强模型对缺陷区域的感知能力；同时提出自适应加权特征融合方法（AWFF），动态调整不同层次特征的融合权重，解决多尺度缺陷检测中的信息损失问题。此外，研究还优化了损失函数，结合Focal Loss和CIoU Loss的优点，解决难样本和正负样本不平衡问题。
实验结果表明，YOLOV11-SOEP模型在钢铁缺陷检测任务中表现优异，mAP@0.5达到0.8923，mAP@0.5:0.95达到0.6892，相比原始YOLOV11分别提升了8.4%和12.5。与YOLOv5、YOLOv7、YOLOv8和Faster R-CNN等主流模型相比，YOLOV11-SOEP在检测精度上具有明显优势，同时保持较高的实时性，达到36.8 FPS。模型对各类别缺陷均表现出良好的检测能力，平均F1分数达到0.8772，其中对轧入氧化皮的检测效果最好，F1分数为0.9075。
本研究还设计了模型轻量化方案，通过知识蒸馏技术将复杂模型知识迁移到轻量级模型中，使模型能够在工业边缘设备上实现实时检测。研究成果为钢铁行业的智能化质量控制提供了有效解决方案，具有重要的理论意义和实际应用价值。
关键词：钢铁缺陷检测；YOLOV11-SOEP；双重注意力机制；特征融合；轻量化模型
一、项目介绍
本项目研发了一套基于改进YOLOV11-SOEP算法的工厂钢材表面缺陷识别系统，旨在实现对钢材表面缺陷的智能检测。系统采用目标检测技术，能够识别5类常见钢材表面缺陷：夹杂物(inclusion)、补丁(patches)、凹坑表面(pitted_surface)、轧入鳞皮(rolled-in_scale)和划痕(scratches)。后端采用改进的YOLOV11-SOEP算法，前端基于Flask+Bootstrap框架开发，使用SQLite作为数据存储方案。该系统通过深度学习技术实现钢材表面缺陷的自动识别与分类，提高工厂质检效率，降低人工成本，为钢材生产质量控制提供智能化解决方案。
二、任务目标
钢材作为现代工业的基础材料，其表面质量直接影响最终产品的性能与安全。传统钢材表面缺陷检测主要依赖人工目视检查，存在效率低下、主观性强、漏检率高等问题。随着工业4.0和智能制造的推进，基于计算机视觉的自动化缺陷检测成为提升钢材生产质量的关键技术。本研究旨在开发一种基于改进YOLOV11-SOEP的工厂钢材表面缺陷识别系统，针对’inclusion’(夹杂物)、‘patches’(斑块)、‘pitted_surface’(坑洼表面)、‘rolled-in_scale’(轧入氧化皮)和’scratches’(划痕)五类常见缺陷进行高精度检测。通过优化网络结构和特征提取能力，提高复杂工况下缺陷检测的准确率和鲁棒性，实现钢材生产过程中的实时质量控制，降低人工成本，提升生产效率，为钢铁企业的智能化转型升级提供技术支撑。
三、数据集信息
该数据集包含五类钢材表面缺陷，分别为’inclusion’(夹杂物)、‘patches’(斑块)、‘pitted_surface’(坑洼表面)、‘rolled-in_scale’(轧入氧化皮)和’scratches’(划痕)。这些类别涵盖了钢材生产过程中最常见的表面缺陷类型，能够全面评估模型的检测能力。选择此数据集的优势在于其类别定义明确且具有工业实际意义，每类缺陷都对应特定的生产工艺问题，有助于系统在实际应用中准确识别并分类不同类型的缺陷。此外，这些缺陷形态各异，从微小夹杂物到大面积划痕，能够有效检验模型对不同尺度、复杂度缺陷的识别能力，为开发高鲁棒性的钢材表面缺陷检测系统提供了可靠的数据基础。
图片
改进前的算法简介
在钢铁缺陷检测领域，YOLO系列算法因其高效性和准确性而得到广泛应用。本研究以YOLOV11为基础模型进行改进，首先需要对原始YOLOV11算法的后端部分进行深入分析。原始YOLOV11采用了Darknet-53作为骨干网络，通过多尺度特征提取和融合实现目标检测。其核心组件包括卷积层、残差连接、上采样和下采样操作，以及特征金字塔网络（FPN）和路径聚合网络（PAN）结构。
原始算法的后端处理流程主要分为三个阶段：特征提取、特征融合和检测头。在特征提取阶段，骨干网络通过多层卷积和下采样操作提取不同尺度的特征图；在特征融合阶段，FPN和PAN结构实现了多尺度特征的融合；在检测头阶段，通过卷积层和全连接层输出预测结果。然而，原始算法在处理钢铁缺陷这类小目标、形态多变的对象时存在以下局限性：
首先，原始算法的注意力机制较为简单，难以有效区分背景和缺陷区域，导致小目标检测精度不足。钢铁缺陷通常尺寸较小，且与背景纹理相似，需要更精细的特征提取和注意力分配机制。
其次，原始算法的特征融合方式存在信息损失问题。在多尺度特征融合过程中，浅层特征包含丰富的空间信息但语义信息较弱，深层特征包含丰富的语义信息但空间分辨率较低。原始算法的特征融合方式未能充分利用不同层次特征的互补优势。
此外，原始算法在处理不同类型的钢铁缺陷时缺乏针对性优化。钢铁缺陷形态多样，包括划痕、凹坑、裂纹等不同类型，需要更具针对性的特征提取和分类机制。
针对上述问题，本研究对YOLOV11的后端算法进行了改进，主要包括注意力机制优化和特征融合改进两个方面，旨在提高钢铁缺陷检测的准确性和鲁棒性。
源码获取
欢迎大家点赞、收藏、关注、评论啦 、查看👇🏻获取联系方式👇🏻