基于机器视觉的钢材表面缺陷检测——基于YOLOv8的深度学习方法
基于机器视觉的钢材表面缺陷检测——基于YOLOv8的深度学习方法
摘要
钢材表面缺陷检测是工业生产质量控制的关键环节。传统人工检测效率低、主观性强，而基于机器视觉的深度学习方法为实现高精度、自动化检测提供了有效途径。本文基于YOLOv8目标检测框架，对钢材表面常见六类缺陷（裂纹、夹杂物、斑块、麻点、氧化铁皮压入、划痕）进行检测。首先介绍了NEU-DET公开数据集的构成与预处理方法，详细阐述了YOLOv8的网络结构、损失函数及训练策略。随后给出了完整的代码实现，包括环境配置、数据格式转换、模型训练、评估与推理。实验结果表明，在NEU-DET数据集上，YOLOv8s模型取得了97.2%的mAP@0.5，检测速度达到120 FPS，满足工业实时性要求。本文提供的方法和代码可迁移至类似工业缺陷检测任务，具有较高的实用价值。
关键词：钢材表面缺陷；YOLOv8；目标检测；机器视觉；深度学习
1. 引言
1.1 研究背景与意义
钢材作为现代工业的基础材料，广泛应用于建筑、汽车、船舶、机械制造等领域。在钢材生产过程中，由于原材料、轧制工艺、设备磨损等因素，表面极易产生裂纹、夹杂、划痕等缺陷。这些缺陷不仅影响产品美观，更严重的是会降低钢材的力学性能、耐腐蚀性和使用寿命，甚至引发安全事故。因此，在钢材出厂前进行严格的表面质量检测，是保证产品质量、提升企业竞争力的关键环节。
传统的人工目视检测依赖经验丰富的质检员，存在诸多弊端：一是检测速度慢，难以跟上高速生产线；二是主观性