1.一种基于改进YOLOv5s网络的热轧钢带表面缺陷检测方法，其特征在于：步骤1、制作并划分数据集：

获取由东北大学发布的表面缺陷数据库的开源数据集，首先，将数据集制作成适用YOLOv5网络模型训练的yolo格式，其次，将数据集划分为训练集和验证集；

步骤2、模型改进：

搭建原始YOLOv5s的网络结构模型，将neck部分原结构改换为AFPN结构，选用GIoU作为损失函数，在YOLOv5s网络结构的第23层添加EffectiveSE卷积神经网络结构模块；

步骤3、训练模型：

使用步骤1中划分的训练集，输入到步骤2中搭建的改进前后YOLOv5s的网络结构模型中，并经过GPU进行训练，得到热轧钢带表面缺陷检测模型；

步骤4、热轧钢带表面缺陷检测：

将验证集输入到步骤3中训练出的热轧钢带表面缺陷检测模型中，利用测试结果对模型进行评价并获得训练好的模型，将待检测的热轧钢带表面图像输入训练好的模型并输出检测结果。

2.根据权利要求1所述的一种基于改进YOLOv5s网络的热轧钢带表面缺陷检测方法，其特征在于，步骤1具体包括：步骤1.1、获取开源数据集，在东北大学官网上获取由东北大学NEU发布的表面缺陷数据库的开源数据集，其中收集了划痕Sc、内含物In、点蚀表面PS、开裂Cr、斑块Pa和轧制氧化皮RS的六种热轧钢带表面典型缺陷，数据集中的图像经过灰度化处理，原始分辨率为200×

200像素，每个种类的缺陷样本有300个，共计1800张图像，其中，每个图片的缺陷标注中，黄色框是指示其位置的边框，绿色标签是类别分数；

步骤1.2、将步骤1.1中的开源数据集划分并制作成适用于YOLOv5目标检测模型训练的yolo格式，首先，随机将步骤1.1中的开源数据集划分为80%训练集和20%验证集，其次，在YOLOv5文件夹中的data目录下创建dataset文件夹，其中的子文件夹images中存放训练和验证的源图片数据集，子文件夹labels中存放训练和验证的标签数据文件，分别是train.txt、val.txt两个文件，存放训练集和验证集图片的名字。

3.根据权利要求1所述的一种基于改进YOLOv5s网络的热轧钢带表面缺陷检测方法，其特征在于，步骤2具体包括：步骤2.1、配置深度学习环境，搭建原始YOLOv5s模型，配置yolov5s所需环境时，使用的操作系统是Windows10，使用的框架为pytorch，使用的环境管理为anaconda，使用的IDE为pycharm，下载yolov5源代码是进入其开源网址，手动下载zip或是git clone远程仓库，下载的代码是YOLOv5的5.7版本，代码文件夹中的requirements.txt文件描述了模型所需要的安装包；

步骤2.2、将原始模型的neck部分的结构转换为AFPN结构，AFPN结构使跨越非相邻Level的直接特征的融合变得容易，在传输和交互的过程中防止特征信息的丢失和退化，为消除特征在不同层次之间的信息冲突，在多层次特征融合的操作过程中添加适应性空间融合，其中，在多层次特征融合的过程中，由于ASFF对不同层次的特征赋予的空间权重不同，因此关键层的重要性得以增强，而不同目标间信息矛盾的影响有所降低，3个Level的特征融合：表示位置(i,j)从 Level n到 Level l的特征向量， 表示结果特征向量，它是由多层次特征自适应的空间融合所得，通过 、 、 特征向量线性组合，如下：                (1)

其中， 、 、  表示3个Level在Level  l的特征分配的空间权重，受限制于；

步骤2.3、选用GIoU作为损失函数，GIoU是在IoU后添加一项，从而计算出预测框A与真实框B最小的外接矩形，由此来表示两个框之间距离，解决两个目标在交集不存在的情况下，即梯度为零时的问题，公式为：                                (2)                       (3)

其中,C为A和B两个框外接的最小矩形面积，

当 时：

                           (4)

当 时，表示A框和B框不存在交叉，此时A框和B框间距越大，GIOU的值越趋向于‑

1；当A框和B框重合时， ，因此，GIOU取值范围为(‑1, 1]，当loss函数选用GIOU时：

                             (5)

当A框和B框不存在交集时， 没有变化，此时，将GIoU最大化，就是将C最小化，这样有助于A框和B框之间的距离不断变小；

步骤2.4、EffectiveSE是由多个模块组成的网络结构，它最核心模块是“通道注意力模块”，该模块由Squeeze部分和Excitation部分组成，Squeeze部分作为全局的平均池化层，主要作用是把各通道的特征映射压缩成一个标量，Excitation部分作为MLP，主要作用是学习各通道权值，将其与原始的特征映射相乘，从而得到加权特征映射，eSE仅使用了一个FC层，该FC层带有一个C通道，从而保持通道信息，提高性能，eSE过程定义为：                 (6)

                      (7)

其中， 是一个多样化特征图，它通过OSA模块的 运算所得，

作为一种通道注意特征描述符被应用到多样化特征图 中，使多样化特征更具有信息性，最后，当使用残差连接时，输入特征映射按照元素的顺序被添加进细化特征映射 中。

4.根据权利要求1所述的一种基于改进YOLOv5s网络的热轧钢带表面缺陷检测方法，其特征在于，步骤3具体包括：步骤3.1、配置yaml文件，首先，配置第一个yaml文件，YOLOv5s模型改进前后的配置一样，复制voc.yaml文件改成hg.yaml文件，将其放在yolov5‑master/data文件夹里，其中，path为数据集dataset的位置；train为训练集的位置；val为评估集的位置；names为数据集中类别的名字，由于数据标签是yolo格式的类别，所以仅有数字，因此需要做一个映射记录在此处，数据集共存在6个类别，分别是Sc、In、PS、Cr、Pa和RS，然后，配置第二个yaml文件，该文件位于models文件夹中，原始的YOLOv5s模型仅需要修改yolov5s.yaml文件中的nc为

6；改进后的YOLOv5s模型复制原始的yolov5s.yaml文件改成yolov5s_AFPN.yaml文件，除了需要将yolov5s.yaml文件中的nc修改为6，还需要按照步骤2中yolov5s模型的改进配置出yolov5s_AFPN.yaml文件；

步骤3.2、训练改进前后的YOLOv5s网络模型，先在yolov5开源网址下载预训练权重yolov5s.pt，然后在train.py文件里将weights的配置修改为yolov5s.pt，cfg修改为models文件夹里的yolov5s_AFPN.yaml文件，data修改为data文件夹里的hg.yaml文件，loss_category损失函数类别设置为GIoU，epochs训练轮数设置为200，batch‑size设置为

16，imgsz设置为640，workers设置为16，name训练结果文件夹的名字设置为exp，修改完成后使用步骤1中划分的表面缺陷数据集的训练集开始训练。

5.根据权利要求1所述的一种基于改进YOLOv5s网络的热轧钢带表面缺陷检测方法，其特征在于，步骤4具体包括：步骤4.1、热轧钢带表面缺陷检测：在步骤3的模型训练结束后，将自动使用步骤1中划分的表面缺陷数据集的验证集进行对修改后的模型进行检测，从而获取训练结果，训练结果中：F1_curve：表示F1分数和置信度的相关性，其中x轴为置信度，F1分数是一种分类度量，作为精确率与召回率的调和平均函数，取值范围为(0,1)，分数值越高越好，其公式是：                          (8)

精确率=TP/（TP+FP）                              （9）召回率=TP/(TP+FN)                            （10）         (11)

P_curve：表示准确率和置信度之间的相关性，其中x轴为置信度，当置信度的数值越大时，准确率的数值也会随之增大，PR_curve：表示精准率和召回率之间的相关性，其中P是精准率，R是召回率，P‑R曲线所围面积是平均精确度，AP的数值越高则表示模型的性能越好，R_curve：表示召回率和置信度的相关性。