引言

钢材表面缺陷检测在钢铁生产中是确保质量的关键环节，传统的人工检测方式难以满足大 规模工业生产的需求。近年来，基于深度学习的缺陷检测方法因其高效性和准确性受到广泛关 注。然而，现有的深度学习模型如U-Net虽具备较好的分割性能，但由于参数量大、计算复杂 度高，限制了其在实际生产环境中的应用。为此，本文提出了一种基于轻量级U-Net的改进模 型，用于钢材表面缺陷检测。

系统框架

算法描述

我们的方法基于轻量化卷积神经网络结构，通过一系列数据增强和自适应优化技术提升模 型的泛化能力。算法流程如下： 

1. 数据加载与预处理。 

2. 数据增强以提高模型在训练过程中的鲁棒性。

3. 使用自适应权重更新策略训练模型。

4. 在验证集上计算IoU、精度等指标进行性能评估。

5. 将本模型与基线模型进行对比分析。

模型设计思路 

本模型设计采用轻量化架构，通过不同层次的特征融合和优化策略提升模型在实际工业场 景中的应用效果。下文从数据增强、模型架构、损失函数、优化方法四个方面进行详细说明。

4.1 数据增强技术

我们在数据加载阶段应用多种数据增强技术，使模型在不同数据条件下具有更强的适应性。 以下是主要数据增强操作：

• 灰度转换：将输入图像转为灰度图Igray=0.299IR+0.587IG+0.114IB，以降低计算复杂 度。

• 随机翻转和旋转：为增强数据的多样性，我们应用了随机水平翻转与90度旋转。

• 噪声添加：高斯噪声n∼N(0,σ2)使模型更具鲁棒性。