摘要： 对带钢表面缺陷准确快速识别是带钢外观质量评价的一项重要内容，应用深度学习进行带钢表面缺陷识别是一个持续的热点。提出了一种基于改进RepVGG网络的带钢表面缺陷识别方法。首先为提高RepVGG网络在带钢表面缺陷识别中的稳定性和准确率，该方法引入了高效通道注意力(Efficient Channel Attention, ECA)网络，然后为了防止神经网络训练中神经元坏死，使得神经元参数得不到更新，应用了高斯误差线性激活函数。在测试集上，改进RepVGG网络对带钢表面缺陷的识别率达到了99.94%,而其运行速度并没有降低，单张图片的平均检测时间为5.4 ms。
中图分类号: