带钢表面缺陷智能分类（图像分类）

背景

在钢铁及金属制品生产过程中，带钢表面易产生多种典型缺陷，如龟裂、夹杂、斑块、点蚀、氧化皮压入和划痕等。传统人工目检方式效率低、主观性强，难以满足高速产线对全检与精准判定的需求。

本案例基于工业表面缺陷图像分类数据集，使用 DTEmpower 构建深度学习多分类模型，实现带钢表面缺陷的智能识别与分类，助力生产质量检测效率提升。

带钢表面缺陷智能分类：背景

案例数据集

本案例包含用于模型训练和预测的图像压缩包：

下载带钢表面缺陷智能分类数据集

操作流程

案例功能点概述：

通过本案例操作，用户将学习和了解如何在 DTEmpower 中完成带钢表面缺陷图像分类建模和预测的完整流程，包括：

了解如何在项目中导入文件夹格式的图像数据，为后续图像分类模型训练准备数据基础；
学习如何配置文件夹层级匹配，使平台能够正确读取并展示带标签的带钢缺陷图片；
学习如何使用图像分类功能训练带钢表面缺陷检测模型；
了解如何查看训练过程和模型结果，获取精度评估；
了解如何将训练效果满足要求的图像分类模型进行部署；
学习如何使用已部署的模型对新的带钢图像数据进行缺陷预测，识别图像中的龟裂、夹杂、斑块、点蚀、氧化皮压入和划痕等表面缺陷。

操作步骤

新建项目

点击【新建项目】，填写名称，点击【确认】完成新项目创建。

带钢表面缺陷智能分类：新建项目

导入数据

进入项目，点击【导入数据】，点击【文件夹】，上传训练数据集的压缩包。

带钢表面缺陷智能分类：导入数据

该文件夹中包含六个子文件夹，每个子文件夹对应一种缺陷类型，子文件夹中包含对应缺陷类型的图像。具体有六种缺陷：crazing（龟裂类缺陷）、inclusion（夹杂类缺陷）、patches（斑块类缺陷）、pitted_surface（点蚀表面缺陷）、rolled-in_scale（氧化皮压入类缺陷）、scratches（划痕类缺陷）。例如：

train/crazing
train/inclusion
train/patches
train/pitted_surface
train/rolled-in_scale
train/scratches

带钢表面缺陷智能分类：导入数据

导入的数据为文件夹，无法直接训练。需要先配置「文件夹层级匹配」，将文件夹中的图像添加标签，才能进行训练。进入「流程」，点击导入的文件夹，在右侧点击【获取文件列表】。

带钢表面缺陷智能分类：导入数据

在「文件夹层级匹配」中，选择对应的层级并为该列命名。点击【运行】。

带钢表面缺陷智能分类：导入数据

「流程」画布中已生成数据列表，该表中已添加「标签」列。

带钢表面缺陷智能分类：导入数据

模型训练

点击数据集后，点击右侧【图像分类】。选择「目标列名」为已定义的第二层级的列名。

带钢表面缺陷智能分类：模型训练

选择「目标列名」和「文件路径列名」，而后可在右侧看到图片已添加对应标签，左下角可见各个类别样本的占比。

带钢表面缺陷智能分类：模型训练

在「训练配置」中可根据需求选择不同的参数和功能，不同参数将对模型训练结果产生影响。此处仅展示不同「微调层数」对模型训练结果的影响。在「配置参数」中，将「微调层数」分别设置为0和2，其余参数保持默认值。后续将对比两个不同层数的模型训练结果。

带钢表面缺陷智能分类：模型训练

点击【训练】。输入名称，启用GPU加速训练，点击【训练】开始训练。

带钢表面缺陷智能分类：模型训练

训练结束后，可在「精度统计」中查看精度和训练时间。可见无论是训练速度还是分类精度，微调层数为2的模型都优于微调层数为0的模型。

带钢表面缺陷智能分类：模型训练

模型部署

选择表现更好的模型，点击【查看详情】。

带钢表面缺陷智能分类：模型部署

点击【部署】部署模型。

带钢表面缺陷智能分类：模型部署

模型预测

导入待预测数据的压缩包。

带钢表面缺陷智能分类：模型预测

可在「数据」中查看导入的预测集图像。

带钢表面缺陷智能分类：模型预测

点击导入的文件夹，在右侧点击【获取文件列表】。

带钢表面缺陷智能分类：模型预测

预测数据集不存在子文件夹，直接点击【运行】。

带钢表面缺陷智能分类：模型预测

点击部署的模型，点击【预测】。

带钢表面缺陷智能分类：模型预测

选择预测数据集及对应文件夹，点击【确认】。

带钢表面缺陷智能分类：模型预测

点击【运行】即可完成预测。

带钢表面缺陷智能分类：模型预测

完成预测后，可在「流程」中查看预测结果。

带钢表面缺陷智能分类：模型预测

案例总结

带钢表面质量是钢铁生产质量控制的重要环节。龟裂、夹杂、斑块、点蚀、氧化皮压入和划痕等表面缺陷会影响产品质量及后续加工。传统人工检测方式容易受到检测效率、人员经验和工作状态等因素影响，难以满足生产过程中对缺陷识别效率和判定一致性的要求。因此，利用图像分类技术辅助识别带钢表面缺陷，具有明确的工业应用价值。

本案例以六类典型带钢表面缺陷图像为数据基础，展示了如何使用 DTEmpower 构建图像分类模型。通过文件夹层级匹配识别图像标签，并完成模型训练、精度评估、参数对比、模型部署和分类预测，形成从缺陷图像数据到预测结果的完整应用流程。案例中的参数对比结果表明，合理调整微调层数可以改善模型训练效果，为同类图像分类任务的参数配置和模型优化提供参考。

通过将训练完成的模型部署并用于新图像预测，可以辅助识别不同类型的带钢表面缺陷，为提高质量检测效率、降低人工判定差异提供技术支持。本案例也说明，DTEmpower 能够降低工业图像分类模型的构建与应用门槛。该方法可为其他金属材料及工业产品的表面缺陷分类场景提供参考。