基于不确定性区域融合与数字孪生模型构建的带钢表面缺陷检测方法

摘要 作为钢铁生产中的核心组成部分，带钢在连续生产过程中由于工况复杂极易产生表面缺陷。为了实现其表面质量的高精度实时监测和高效质量控制，提出了一种基于不确定性区域融合与数字孪生模型构建的带钢表面缺陷检测方法。具体而言，利用在公开缺陷数据集上预训练的 YOLOv8 和 SSD 模型进行独立表面检测，获取带有置信度分数和不确定检测结果的初始缺陷区域。为了解决单模型检测的不确定性并提高检测精度，设计了决策级不确定性区域融合方法，基于区域重叠度和置信度融合初始区域与不确定性信息，获取用于表面缺陷识别与定位的最大可靠缺陷区域。与现有的先进带钢缺陷检测方法不同，所提出的方法创新性地引入了不确定性感知和对角等面积决策级融合。该方法有效减少了不可靠的边界框预测和单模型检测偏差，并进一步基于数字孪生框架实现了高置信度缺陷数据交互和虚实同步。为了评估所提方法的性能，使用了包含多种缺陷的公开数据集和实验带钢缺陷数据集。结果表明，所提出的方法在公开 NEU 数据集和自建数据集上的检测准确率、召回率和重叠率均有一致且显著的提升，验证了其在带钢质量控制和智能制造中的价值。