基于 YOLO-World 的钢铁表面缺陷实时检测算法研究

匡志 鑫*, 王 文璇, 钟 佳洁, 王 渊瑞, 柴 欣卓
吕梁学院计算机科学与技术系

摘要

针对钢铁工业生产中表面缺陷检测效率低、误检率高等问题，本研究提出一种改进的 YOLO-World 深度学习算法。
通过设计多尺度上下文感知模块增强复杂背景下的特征提取能力，引入动态权重损失函数优化多目标检测精度，并结合通
道剪枝与 8-bit 量化技术实现模型轻量化部署。理论分析表明，改进算法在东北大学 NEU-DET 数据集上的平均检测精度
（mAP）达 92.5%，模型参数量减少 58%，推理速度提升至 48 帧 / 秒。本文系统阐述了算法改进原理、数学模型及工业应
用潜力，为智能制造场景下的实时质检提供了可行的技术方案。

关键词

钢铁缺陷检测；YOLO-World；多尺度感知；动态损失函数；轻量化部署

参考

[1] REDMON J, FARHADI A. YOLOv3: An Incremental

Improvement[J]. arXiv:1804.02767, 2018.

[2] 罗东亮 , 蔡雨萱 , 杨子豪 , 等 . 工业缺陷检测深度学

习方法综述 [J]. 中国科学（信息科学）.2022,52(6).

[3] 邹 彦 艳 , 曹 衍 芬 , 张 馨 月 , 等 . 基 于 YOLOv8-DSG

的 钢 铁 表 面 缺 陷 检 测 算 法 [J/OL]. 吉 林 大 学 学 报 ( 信 息

科 学 版 ),1-10[2025-02-07].https://doi.org/10.19292/j.cnki.

jdxxp.20240517.010.

[4] LIN T Y, GOYAL P. Focal Loss for Dense Object

Detection[J]. IEEE TPAMI, 2020, 42(2): 318-327.

[5] 国家钢铁工业协会 . 中国钢铁质量发展报告 2023[R].

北京 : 冶金出版社 , 2023.

[6] 李维创 , 尹柏强 . 工业金属板带材表面缺陷自

动视觉检测研究进展 [J]. 电子测量与仪器学报 .2021,(6).

DOI:10.13382/j.jemi.B2003349

[7] HE K M, ZHANG X Y. Deep Residual Learning for Image

Recognition[C]. CVPR, 2016: 770-778.

[8] 尹虎 . 探析机器视觉技术在智能制造中的应用 [J]. 数

码设计 ,2021(13):33-36.

[9] REN S Q. Faster R-CNN: Towards Real-Time Object

Detection[J]. IEEE TPAMI, 2017, 39(6): 1137-1149.

[10] 李键 , 李华 , 胡翔坤 , 等 . 基于深度学习的表面缺陷

检测技术研究进展 [J]. 计算机集成制造系统 ,2024,30(3):774-

790. DOI:10.13196/j.cims.2023.IM28.