KaziZaber/steel-defect-detector

# 钢材表面缺陷检测器 钢铁制造业每年因漏过质量控制环节的表面缺陷而损失数十亿美元。本项目构建了一个端到端的计算机视觉系统，用于检测钢材表面的缺陷类型，解释其产生原因，并准确指出模型做出判断所依据的图像位置。 本项目专为浦项制铁 (POSCO) 浦项厂区设计——作为全球最大的钢铁厂之一，这类工具在该城市具有切实的工业应用价值。 ## 在线演示 即将推出 — 2026 年 5 月 ## 工作原理 上传一张钢材表面图像。经过微调的 ResNet18 模型会对缺陷类型进行分类并返回置信度分数。如果置信度低于 70%，系统会将其标记为需要人工检测，而不是盲目猜测。对于高置信度的预测，Grad-CAM 会突出显示图像中促使模型做出决策的关键区域，同时 Claude API 会生成一份简明的工程分析报告，涵盖该缺陷是什么、在轧制过程中可能的成因，以及生产团队应采取的应对措施。 ## 数据集 NEU 钢材表面缺陷数据集 — 包含 6 个类别的 1,800 张图像： 龟裂 (Crazing)、夹杂 (Inclusion)、斑块 (Patches)、麻面 (Pitted Surface)、氧化铁皮压入 (Rolled-in Scale)、划伤 (Scratches) ## 各功能存在的原因 引入 Grad-CAM 是因为在工业质量控制中盲目信任黑盒模型是危险的——工程师需要清楚了解模型到底在看什么。置信度拒绝选项的存在也是出于同样的原因。加入 LLM 层是因为，仅知道缺陷类型只能解决一半问题——质量工程师更需要知道该如何处理。 ## 技术栈 Python | PyTorch | Claude API | Streamlit | Grad-CAM ## 项目状态 正在积极开发中 — 始于 2026 年 4 月 26 日

标签：Apex, Claude API, DLL 劫持, Grad-CAM, Kubernetes, NEU数据集, PyTorch, ResNet18, Streamlit, 冶金, 凭据扫描, 可解释性AI, 图像分类, 大语言模型, 工业4.0, 工程分析, 异常检测, 智能制造, 机器学习, 深度学习, 目标检测, 置信度, 自动化质检, 表面缺陷检测, 计算机视觉, 访问控制, 质量控制, 逆向工具, 钢铁制造, 黑盒模型