摘要：针对连铸坯低倍缺陷评级问题，建立了一种基于深度学习框架的系统解决方案。基于显著目标提取的深度网络模型进行了连铸坯区域提取和几何校正；基于YOLOV4的缺陷目标检测算法，进行了检测类缺陷的检测与识别，以标准的平均正确率AP(AveragePrecision)指标作为评价指标，“中心缩孔”、“中心疏松”、“非金属夹杂”、“皮下气泡”和“中心偏析”五类缺陷检测的AP分别达到了82.19%、97.63%、54.27%、66.20%和29.29%;基于MASKRCNN的缺陷实例分割算法，进行了分割类缺陷的检测与识别，以标准的AP(0.5-0.95)作为评价指标，“中心裂纹”、“角部裂纹”、“中间裂纹”和“皮下裂纹”4类缺陷检测和分割的AP(0.5-0.95)达到了0.78,特别地，以生产应用角度出发，AP(0.5)达到了0.96,可以较好地满足缺陷检测需要。 关键词：连铸；缺陷检测；低倍评级；深度学习；区域提取；图像校正 下载高清全文——基于机器学习的连铸坯低倍缺陷检测.pdf