文章详情

摘要

针对传统钢材表面缺陷检测依赖人工、效率低且易受主观因素影响的问题，文章提出一种基于改进YOLO11的钢材表面缺陷分类算法，实现对裂纹、夹杂物、斑块、点蚀、氧化、划痕这6类缺陷的精准分类。实验结果表明，改进后的YOLO11分类算法在六类缺陷检测中表现优异，30轮训练后收敛稳定，验证损失保持在0.05以下，总体分类准确率高达99.33%，其中除夹杂物外的五类识别精度达到99%以上，为工业场景下钢材表面缺陷的自动化检测提供了可靠解决方案。

关键词

多尺度特征融合；YOLO11；金属板材；缺陷分类

参考文献

1. [1] 周璐，王娟平. 基于BLE-YOLO的高效钢材表面缺陷检测算法[J]. 机电工程技术，2026，55（1）：109-118.
2. [2] 杜豪天，李一凡，霍瑛，等. 改进YOLOv5s在钢材表面缺陷检测中的应用[J]. 工业控制计算机，2025，38（12）：53-54，57.
3. [3] 王泽恺，姜庆超，颜学峰. 基于GSL-YOLO的钢材表面缺陷检测算法[J]. 华东理工大学学报（自然科学版），2025，51（5）：657-670.
4. [4] 阴滮. 基于计算机视觉的金属表面缺陷检测方法研究[D]. 沈阳：沈阳大学，2024.
5. [5] 赵世龙. 基于深度学习的金属制品表面缺陷检测方法研究与应用[D]. 济南：齐鲁工业大学，2025.
6. [6] Wang Y，Wang H Y，Xin Z H. Efficient Detection Model of Steel Strip Surface Defects Based on YOLO-V7[J].IEEE Access，2022，10：133936-133944.
7. [7] 郭北涛，叶盛辉. 基于轻量化改进YOLOv5的金属表面缺陷检测[J]. 机械工程师，2025（9）：1-4.
8. [8] 龙阳. 改进YOLOv8模型的金属表面缺陷检测方法研究[D]. 荆州：长江大学，2025.
9. [9] 谭洁，李恒，刘辉. 轻量级MSL-YOLO金属表面缺陷检测算法[J/OL]. 光电子·激光，2026：1-18.https://link.cnki.net/urlid/12.1182.o4.20260129.1712.008.
10. [10] 李键. 基于YOLOv5改进算法的带钢表面缺陷检测研究[D]. 贵阳：贵州大学，2025.

作者简介

瞿江（1983.03—），女，汉族，江苏扬中人，讲师，硕士研究生，研究方向：计算机科学与技术、人工智能。