摘要：工业产品表面缺陷检测是质量控制的关键环节，传统人工检测方法存在效率低、主观性强、漏检率高等问题。本文设计并实现了一个基于深度学习的工业表面缺陷多分类检测系统，能够自动识别金属表面的6种典型缺陷类型：龟裂、夹杂、斑块、点蚀表面、压入氧化皮和划痕。
项目简介
采用CNN和Vision Transformer深度学习模型，基于NEU-DET数据集开发的MATLAB钢材表面缺陷多分类检测系统。
系统概述
本系统采用MATLAB平台开发，集成了数据生成、模型训练、性能评估和可视化检测等完整功能模块。在模型架构方面，分别实现了 卷积神经网络（CNN）和Vision Transformer（ViT）两种深度学习模型，并对其性能进行了系统对比。CNN模型采用4层卷积块结构 ，参数量约1.5M，推理速度快；ViT模型基于Patch Embedding和Transformer块，参数量约15M，检测精度更高。
在数据处理方面，本文针对NEU-DET数据集的特点，设计了数据增强策略，包括随机旋转（±20°）、平移（±10像素）、缩放（0.9-1.1倍）和水平翻转，有效扩充了训练样本并提高了模型泛化能力。所有图像统一调整为224×224×3的输入尺寸。在模型训练中，使用Adam优化器，初始学习率0.001，采用分段学习率衰减策略（每10个epoch衰减50%），并通过Dropout（0.2-0.3）和批归一化防止过拟合。
实验结果表明，两种模型在NEU-DET测试集上均取得了良好的检测效果，其中ViT模型在准确率上略优于CNN模型，而CNN模型在推理速度上具有明显优势。针对6种缺陷类型，系统计算了精确率、召回率和F1分数等详细指标，并生成混淆矩阵进行可视化分析。系统提供了友好的图形用户界面，支持单张图像检测、结果可视化和针对性处理建议输出，具有良好的实用性和可扩展性。
本研究为钢材表面缺陷智能检测提供了一套完整的解决方案，验证了深度学习方法在工业缺陷检测领域的有效性，对提高产品质量检测效率、降低人工成本具有重要的实际应用价值。
系统架构
本系统采用分层架构设计，包括数据层、模型层、训练层、评估层和应用层五个核心模块。数据层负责NEU-DET数据集的加载、预处理和增强；模型层实现了CNN（4层卷积块，1.5M参数）和ViT（Transformer架构，15M参数）两种深度学习模型；训练层采用Adam优化器和分段学习率衰减策略进行模型训练；评估层通过准确率、精确率、召回率、F1分数和混淆矩阵等多维度指标评估模型性能；应用层提供图形用户界面，支持模型加载、图像检测、结果可视化和处理建议输出，形成从数据处理到实际应用的完整工具链。
数据集构建
本研究采用东北大学（NEU）发布的NEU-DET钢材表面缺陷数据集，该数据集包含1800张热轧钢带表面灰度图像，涵盖龟裂（crazin g）、夹杂（inclusion）、斑块（patches）、点蚀表面（pitted surface）、压入氧化皮（rolled-in scale）和划痕（scratches）6种典型缺陷类型，每类300张样本。数据集按照7:2:1的比例划分为训练集（1260张）、验证集（360 张）和测试集（180张），确保各类别样本均衡分布。为提高模型泛化能力，对训练集和验证集进行数据增强处理，包括随机旋转 （±20°）、随机平移（±10像素）、随机缩放（0.9-1.1倍）和水平翻转，所有图像统一调整为224×224×3的RGB格式作为模型输入， 并进行归一化处理（像素值范围0-1）。
快速开始
在MATLAB命令窗口运行run_app，选择模型类型并点击"加载模型"→"加载图像"→"开始检测"即可完成缺陷识别。
环境要求
本系统要求MATLAB R2020b或更高版本，需安装Deep Learning Toolbox、Image Processing Toolbox、Computer Vision Toolbox和Statistics and Machine Learning Toolbox四个必需工具箱，推荐配置为8GB以上内存、5GB可用硬盘空间，可选配支持CUDA的NVIDIA GPU以加速模型训练和推理，支持Windows、Linux和macOS跨平台运行。
结果展示
运行run_app.m
图1 主界面
CNN模型：
图2 加载CNN模型
图3 CNN模型-斑块
图4 CNN模型-点蚀表面
图5 CNN模型-龟裂
图6 CNN模型-划痕
图7 CNN模型-夹杂
图8 CNN模型-压入氧化皮
ViT模型：
图9 加载ViT模型
图10 ViT模型-斑块
图11 ViT模型-点蚀表面
图12 ViT模型-龟裂
图13 ViT模型-划痕
图14 ViT模型-夹杂
图15 ViT模型-压入氧化皮
结果点评
本研究成功实现了基于深度学习的钢材表面缺陷多分类检测系统，CNN和ViT两种模型均取得了良好的检测效果，其中ViT模型在准确率上略优，CNN模型在推理速度上具有明显优势，验证了深度学习方法在工业缺陷检测领域的有效性。系统对划痕、龟裂等几何特征明显的缺陷识别准确率较高，对斑块、点蚀等纹理相似的缺陷存在一定混淆，数据增强策略有效提升了模型泛化能力，开发的图形界面操作简便、功能完整，具有良好的实用价值，但在实际工业场景应用时仍需考虑域迁移、环境鲁棒性等问题。
项目资源
包括完整的项目源代码、演示视频、运行截图，开箱即用。
关于项目
作者信息
作者：Bob (张家梁)
项目编号：MI-5
原创声明：本项目为原创作品