本项目是一个面向钢铁制造业的智能化质检解决方案，旨在替代传统人工目视检测，实现对热轧、冷轧钢板表面常见缺陷（如划痕、氧化皮、孔洞、夹杂等）的实时、高精度自动识别与分类。
核心功能：
高精度缺陷检测：基于改进的YOLOv8模型，融合注意力机制与自适应特征融合模块，对微小缺陷（最小3x3像素）的检测准确率（mAP）达99.2%，优于行业通用基准。
实时在线检测：部署于边缘计算设备（NVIDIA Jetson AGX Orin），支持产线最高3米/秒速度下的实时检测，单帧处理时间＜80ms，满足工业流水线节奏。
多缺陷分类与量化：系统可识别14类常见钢材缺陷，并自动测量缺陷面积、长度、位置坐标，生成结构化检测报告。
自适应增强：内置数据增强流水线，针对不平衡缺陷样本采用加权采样与生成对抗网络（GAN）进行数据扩充，显著提升罕见缺陷的召回率。
我的角色：
在本项目中，我担任算法工程师与后端系统架构师，独立负责从数据准备到部署上线的全流程：
算法研发：主导模型选型与优化，基于PyTorch框架改进YOLO架构，引入CBAM注意力机制增强对线性划痕的特征提取，设计多尺度训练策略以应对不同尺寸缺陷。
数据处理：构建缺陷图像标注规范，清洗与增强近5万张产线采集图像，通过离线分析与在线难例挖掘持续迭代数据集。
工程部署：使用TensorRT对模型进行量化与加速，设计基于Flask的微服务接口，并通过Redis队列实现检测任务的异步调度与结果缓存。
系统集成：开发与PLC的通信模块，实现与产线控制系统的实时联动，支持检测到严重缺陷时自动触发声光报警与分拣信号。
项目成果：系统已在某大型钢厂连轧产线稳定运行12个月，缺陷检出率达99.5%，误报率低于0.1%，单条产线每年减少质检人力成本约200万元，并因早期缺陷拦截使得客户质量索赔下降35%。相关技术已申请发明专利一项。