基于深度学习的钢表面缺陷检测方法综述

费佳杰　李宏胜　任飞　吴敏宁　王光荣

摘  要：加工而成的钢材表面可能会存在一定的缺陷，对钢材的外观和质量造成严重的影响，这些缺陷可以通過多种方法来完成分类和分割。传统检测方法精度不高且效率低下，采用基于深度学习的钢表面缺陷检测方法可有效提高检测性能。文章总结了近年来诸多学者提出的基于深度学习的缺陷分类和分割方法，介绍了这些算法的特点以及基于这些算法得到的改进算法，并对各类算法进行了比较，得出各种算法的优缺点。最后，总结了现阶段基于深度学习的缺陷检测技术存在的问题，并对未来的发展进行了展望。

关键词：缺陷检测；深度学习；目标检测；卷积神经网络；缺陷分类

中图分类号：TP391        文献标识码：A  文章编号：2096-4706（2023）19-0107-06

Overview of Steel Surface Defect Detection Methods Based on Deep Learning

FEI Jiajie1， LI Hongsheng1， REN Fei2， WU Minning3， WANG Guangrong2

（1.School of Automation， Nanjing Institute of Technology， Nanjing  211167， China; 2.Digital Intelligent Mine Research Institute/Artificial Intelligence Research Institute， Sinoma （Nanjing） Mining Research Institute Co.， Ltd.， Nanjing  210000， China;

3.School of Information Engineering， Yulin University， Yulin  719000， China）

Abstract： The surface of processed steel may have certain defects that seriously affect the appearance and quality of the steel. These defects can be classified and segmented through various methods. Traditional detection methods have low accuracy and efficiency， and using deep learning-based steel surface defect detection methods can effectively improve detection performance. This paper summarizes the defect classification and segmentation methods based on deep learning proposed by many scholars in recent years， introduces the characteristics of these algorithms and the improved algorithms based on these algorithms， and compares various algorithms to identify their advantages and disadvantages. Finally， the existing problems of defect detection technology based on deep learning at the current stage are summarized， and the future development is prospected.

Keywords： defect detection; deep learning; object detection; convolutional neural network; defect classification

0  引  言

近年来，我国正处于从制造业大国向制造业强国转变的过渡时期，而钢铁行业是我国较为重要的原材料行业之一。钢铁产品被广泛应用于航空航天、机械、船舶、汽车和建筑等各类行业中[1]。钢铁作为原材料在上述行业中发挥着重要作用，若钢铁的质量存在问题可能会导致整个产品存在质量缺陷，因此钢铁产品的质量检测就显得愈发重要。钢铁表面缺陷检测属于钢铁质量检测的一个方面。钢铁表面的缺陷类型大致分为裂纹、刮伤、重皮和气泡等[2]。这几类缺陷中，有的缺陷人眼较难分辨识别；有的缺陷虽可通过人眼分辨，但大批量生产过程中的人工检测会消耗大量的人力，且检测质量不稳定。因此通过计算机图像智能识别来完成钢铁产品的表面缺陷检测就成为一种有效的方法。

随着人工智能的迅速发展，深度学习被广泛应用于分类、分割及跟踪等图像处理任务中，钢材缺陷检测也是其中之一。运用合适的神经网络算法完成钢材表面的缺陷检测，既能满足对检测精度的要求，还能提高检测的实时性、稳定性，另外还能降低成本。已有许多学者将深度学习应用到钢表面缺陷检测技术之中并取得了较好的检测效果。利用深度学习完成缺陷检测的结果如图1所示，图像中用矩形框标出缺陷所在位置，并在框上方标注判断的缺陷类型以及对应的置信度。

1  钢表面缺陷检测数据集

目前，钢表面缺陷检测方面的数据集较少，部分数据集包含的样本数据更是有限。下面对两个具有代表性的钢表面缺陷检测的数据集进行介绍。

1.1  谢韦尔公司提供的带钢缺陷数据集

该数据集包含12 568张数据样本，数据样本大小为1 600×256，涉及四种缺陷，且含有缺陷的样本中可能存在1～4种缺陷。该数据集被用于Kaggle比赛中。

1.2  东北大学提供的NEU-DET数据集

该数据集包含1 800张数据样本，涉及六种缺陷，每种缺陷有300张样本。该数据集是时下最为热门的钢表面缺陷检测数据集，被大量学者用来训练算法模型，具有很好的代表性。

上述两个数据集是钢表面缺陷检测领域很有代表性的数据集。谢韦尔带钢表面缺陷检测数据集含有更多的数据样本，对模型训练较为有利，但同时对计算机硬件的要求也很高。相形之下，东北大学所提供数据集的样本数量较少，包含的缺陷类型更多。这两个数据集各有优缺点，缺陷描述也有所不同。

2  基于深度学习的缺陷分类算法

基于深度学习的缺陷检测算法主要是利用目标检测算法来完成钢材表面的缺陷检测，可以完成对目标图片中缺陷的分类及定位。截至目前，常见基于深度学习的缺陷检测算法可分为两类：第一类算法是两阶段检测算法[3]，该算法需要先得到候选框，再对候选框中的目标做进一步的定位及分类（此类算法以FasterR-CNN最具代表性）；第二类算法是单阶段检测算法[4]，该算法可直接生成缺陷目标的位置信息、分类信息及其对应概率，省去了获得候选框的过程（此类算法以YOLO算法和SSD算法最具代表性）。两阶段检测算法可以得到更高的检测精度，而单阶段检测算法在牺牲部分检测精度的同时赢得了更快的检测速度。

2.1  CNN算法

在深度学习中，CNN（卷积神经网络）算法[5]被率先提出，用来替代由人工提取特征的传统机器学习，可以通过计算机提取图片中的特征并对图片中的信息进行分类。CNN算法主要通过卷积计算层来提取图片中的特征信息；激活函数可以帮助解决非线性问题；通过池化（Pooling）减小模型的参数，提高算法的速度，防止模型算法过拟合现象的出现；最后使用全连接层（Fully Connected Layers， FC）完成图片中信息的分类。与传统机器学习相比，CNN算法的分类效果更好，网络模型参数更少。

RCNN（Region with CNN Feature）屬于典型的两阶段检测算法，该算法通过候选框算法如SS（Selective Search）确定约2 000个候选框，运用CNN算法进行候选框中特征的提取，利用SVM进行候选框的分类，并使用非极大值抑制的方法消除重叠程度较大的候选框；最后通过最小二乘等方法解决候选框的回归问题，其框架如图2所示。运用典型的RCNN在PASCAL VOC2012数据集可将检测率从35.1%提升至53.7%，极大地提高了检测的精度。但其缺点也非常的明显，即训练和测试速度缓慢且所需存储空间巨大。

Fast RCNN是在原算法的基础上，将特征提取、候选框分类及回归融合在一起，通过CNN算法实现，且此部分可以使用GPU进行加速，大大缩减了操作时间。其缺点是候选框提取的部分仍是依赖CPU运行，耗时较长。Faster RCNN[6]中将前两代的SS算法替换成RPN（Region Proposal Network）算法，并将该算法与另外三个部分相融合，利用CNN网络完成整个检测过程。该算法的优点在于进一步提高了检测速度，实现了端到端的检测，缺点是对候选框的处理仍需较长的时间，所以仍无法做到实时检测。

卷积神经网络可以通过改变特征信息的提取方式来实现检测精度的提高，有很多学者致力于此方向的研究和应用。Shi [7]等人使用ConvNeXt结构替代主干网络中的VGG模块，减少模型的参数数量，并引入CBAM注意力机制，增加重要特征的比重，减少不重要特征的比重。相较于RPN中锚框的人为选取，此试验中选用K-means均值类算法实现了更好的锚框，相较于使用VGG16作为主干网络的Faster RCNN，其mAP从65.18%提升至80.78%，大幅提高了检测的精度，但却以牺牲一定的检测速度为代价。张鑫[8]等人提出一种基于Faster RCNN网络结构的改进方法，采用ResNet-101网络来完成特征的提取，取代了原来模型网络中的VGG16网络，并加入了可形变卷积和密集型结构，检测精度较未改进模型提升了4.3%。同时针对不完全标签的数据集提出一种基于Mask-RCNN的检测方法，并额外使用了优化迭代的方法，使其检测精度最终接近于完全标签的数据集检测后的精度。王延舒[9]等人提出一种自适应全局定位网络，将ResNet50网络与FPN相结合，用来完成不同维度特征的提取，同时提出一种自适应候选框提取模块，该模块可自动更改锚框的大小，以提高检测的精度，此外，采用全局点定位回归，进而得到更加准确的目标定位信息。该网络的mAP可以达到79.90%，与Faster RCNN网络的检测精度相同，远超YOLOv3的69.40%，且保持着接近12的FPS。

卷积神经网络还可通过改变卷积的类型来实现提高特征信息提取精度的目的，目前已有不少学者在此方面做出了贡献。Duan[10]等提出了基于Faster RCNN的改进分类算法，利用ResNet50解决随着网络深度的增加精度饱和甚至衰退的问题，利用可变性卷积解决特征点与ROI不匹配的问题。在此试验中，数据集采用NEU-DET，共1 800个数据，分为6类，每类300个数据。由于数据集样本不大，此试验通过Albumentation数据增强库对整个图片区域进行数据增强，还对图片中存在缺陷的部分进行增强，增强后数据集中的图像达5 400张，能够得到更好的训练效果。本试验中mAP达到了0.774，相较于原Faster RCNN的0.711有较大幅度的提升，最低类别的AP为0.571，仍有较高的提升空间，作为两阶段检测法，在检测速度上仍需要提升。Ren[11]等人在Faster R-CNN中以深度可分离卷积替代了普通的卷积，加入了中心损耗，利用存有4 000多张图片的数据集进行训练后，准确度达到98%，且每张图片的检测用时为0.05 s，实现了高实时性和高精度的检测目标。

运用神经网络算法进行检测往往需要大量的数据集，数据集过少的情况下会出现过拟合的现象，从而导致深度学习训练的结果不够理想。针对此问题，Kim[12]等人提出一种使用CNN的Siamese神经网络结构，在NEU钢材表面缺陷数据集中选取少量的数据进行学习，取得了良好的训练成果。赵月[13]等基于小样本提出一种深度学习算法，由于试验中原始数据集仅有275张图像，分为4类（包括一类无缺陷），本试验通过DCGAN网络生成更多的样本数据，相较于传统图像处理方法中增加数据集数量，使用DCGAN网络生成的数据有更好的随机性和组合方式，并可自行对数据进行标注。此试验中采用了迁移学习，运用Faster RCNN先对ImageNet进行训练，得到训练模型后，以该训练模型中的权重参数作为预设置参数，再对上述训练集中的数据进行训练，得到训练模型，其检测结果精度均高于90%。上述两个试验较好地解决了工业现场无法获得大量样本数据的弊端，提出了小样本情况下利用深度学习完成缺陷检测的方法，具有较高的工程实践意义。

2.2  YOLO算法

YOLO算法[14]已经发展升级至YOLOv8网络结构，以现阶段应用较为广泛的YOLOv7为例，对YOLO系列的网络结构进行介绍，如图3所示为YOLOv7的网络结構图。

YOLOv7大致可分为输入端、backbone和head。backbone中的CBS模块与YOLOv5中的CBL模块大致相同，唯一的不同之处在于最后选用的激励函数，YOLOv7选用的是Silu激励函数而YOLOv5选用的是LeakyReLU激励函数。YOLOv7中的CBS模块依据不同的卷积核和步长被分为三种类型，分别起到改变通道数、特征提取和下采样的功能。ELAN是YOLOv7中新增的模块，该模块进行了多个卷积，结果将初始模块、完成一次卷积后的模块、完成三次卷积后的模块和完成五次卷积后的模块进行叠加，可以获得更好的特征提取。ELAN-W与ELAN模块非常的相似，仅仅在结果中多叠加了两个卷积后的模块。SPPCSPC模块中分别存在四条不同的最大池化通道，正是借助于这四条不同的通道才能更好地区别图片中物体的大小。REP模块也是YOLOv7中新增的模块，分为Train和Deploy模块，分别应用于项目的训练和推理，REP模块主要作用是将一个原有的模块进行分割再组成新的模块。

YOLO模型算法的改进主要通过改进主干网络，改进特征金字塔模型和增加注意力机制来完成，可以达到提高检测精度、加快检测速度和减小模型参数等目的，已有不少学者对YOLO算法进行了改进。Qian[15]等人提出了基于YOLOv3的轻量化特征网络模型，采用ShuffleNetv2作为主干网络，基于FPN特征金字塔网络提出了轻量化特征金字塔网络LFPN，可以获得更快的推理速度及更高的检测精度。时下热门的深度可分离卷积和GhostNet网络也能完成模型参数的减少，形成轻量化模型，但这两种网络会导致网络的推理速度减慢。为了实现钢材表面更小缺陷的检测，Liu[16]等人以YOLOv5为基础进行了改进。在YOLOv5四种模型中选用了YOLOv5s，以此来确保检测的高速性，并采用了可变性卷积法以及双注意力模块，用来完成对更小物体的检测，经数据集训练后，可完成相较于YOLOv5原检测目标四分之一至三分之一大小物体的检测，且保持着高检测精度和高实时性。Wang[17]等人提出一种基于YOLOv7的改进算法模型，将加权双向金字塔模型（BiFPN）加入原有网络，能够提高对主干网络中特征信息的提取和融合，并加入了ECA注意力机制，该注意力机制可以避免特征信息在空间上的缺失，增加重要信息的权重；采用SIoU损失函数代替原来的CIoU损失函数，得到更好的输出结果。

2.3  SSD算法

典型的分类算法中存在较多利用全连接层来完成特征提取和分类的算法，这些算法通过采用全连接层能够较好地提取全局特征，但仅有助于完成单个目标的检测和分类。SSD算法则将全连接层替换成卷积层，能够更好地完成多个目标的检测任务，SSD算法运算中也采用了锚点技术，利用锚点生成不同大小的锚框，分别在不同的特征提取层中提取特征，能够依次完成从小目标到大目标的检测，进而可更好地完成目标检测任务。SSD算法运算中还采用了放大和缩小两种不同的数据增强方法，提高了数据集的样本数量，有利于生成更优秀的模型。

针对小目标的缺陷检测问题，刘艳菊等人[18]研究一种能够提高小目标检测效率并减少误检概率的算法，该算法中将SSD中的VGGNet结构替换成ResNet结构，并通过反卷积将深度不同的特征进行融合，在利用NEU-CLS和NEU-DET两个数据集进行训练后，mAP增长了约5%达到94.13%，可满足工业生产时的精度要求，但检测速度和模型参数仍需要不断改进才能达到实时检测的目的。王艳玲等人[19]则是将SSD算法与传统的图像处理算法相结合，首先通过传统的图像处理算法对CCD相机拍摄到的图像进行预处理，再利用SSD算法完成模型的预训练，随后对图像进行在线检测，此方法中的mAP达到了85%，但存在误检现象，需要通过数量更大的数据集进行训练才有可能减少误检的发生。

3  缺陷图像的分割算法

分割网络主要完成图像中缺陷和背景分割的任务，大多采用锚点来完成普通分割的任务，如YOLO系列和RCNN系列，其原始算法运算中均采用矩形框将图像中的缺陷标记出来。随后发展出能够完成像素级语义分割任务的FCN（Fully Convolutional Networks）全卷积神经网络模型、U-Net网络模型及DeepLab网络模型等。

3.1  U-Net网络模型

U-Net网络模型[20]是一个较为对称的网络模型，如图4所示，其左端为下采样将图像缩小，其右端为上采样将图像放大，在上采样的同时通过跳层连接（Skip Connection）将下采样时的特征图融合到上采样时的特征图中，特征图大小不同则采取填充的方式，由此能较好地完成语义分割的任务。

语义分割网络已经有了较为成熟的发展，其在钢表面缺陷检测领域也有较好的发展前景，有越来越多的学者开始将语义分割网络应用于缺陷检测领域。为了更好地定位钢材表面的缺陷，Liu[21]等人使用U-Net网络实现缺陷定位的语义分割任务而不是仅仅局限于用方框将缺陷框出。Amin[22]利用机器学习来完成钢材表面缺陷的检测，选取一万多张数据集进行训练，其中存在缺陷和不存在缺陷的图片各占50%，具有比较好的训练特性。该研究中利用语义分割U-Net和残差U-Net对图像进行处理，并将两种算法进行比较，得出残差U-Net具有较好表面检测功能的结论。

3.2  DeepLab网络模型

DeepLab也是较为优秀的语义分割网络，该网络首先提出了空洞卷积，并在网络的最后一层利用CRF（条件随机场）更精准地完成了目标的定位任务。同时，该网络采用ASPP（空洞空间金字塔池化）模块更高效地提取多尺度特征。该网络已发展为DeepLabv3+，在语义分割领域也发挥着重要的作用，为不少学者所使用。

黄怡[23]等人提出GAUDeepLab检测模型，此模型基于DeepLabv3+网络，利用语义分割来完成检测的分类及缺陷的定位，以ResNet50作为主干网络，并加入了全局注意力机制，防止重要细节信息的丟失。采用Kaggle比赛中谢韦尔钢铁公司的带钢缺陷数据集，该数据集具有非常好的训练性能。相较于原网络，经改进的网络训练后IoU提高了2.78%，Dice系数提高了0.66%。针对边缘分割模糊、漏检等情况，范瑶瑶等人[24]提出一种能够更好分割钢表面缺陷的算法，该算法以DeepLabv3+为基础，在主干网络中加入了坐标注意力机制，并利用多尺度融合网络对不同深度的特征进行融合，从而达到更精确提取边缘特征，更精细分割缺陷图像的目的。此算法采用谢韦尔带钢缺陷数据集，针对数据集样本分类均匀程度较差的情况，设计了结合两种损失函数的新型损失函数来攻克这一难题。

4  结  论

钢表面的缺陷检测目前仍处于研究阶段，距离在工业现场的广泛应用还有着不小的距离。钢表面的缺陷检测包含两个类别：缺陷分类和缺陷分割。缺陷分类是指将图像中的缺陷按照预设类别进行分类，这是缺陷检测中的一个重要环节，只有深度学习模型能够在工程中高精度地完成缺陷分类的任务，这样的网络模型才有存在的意义。而只有当网络模型能够在现场计算机中实现实时检测，这样的模型才有可能被应用到大多数的工业现场。

一般来说，两阶段检测算法具有更好的检测精度，而单阶段检测算法具有较好的检测速度。研究开发的多数算法在提升检测精度的同时会伴随着检测速度的下降，这就是一个需要解决的问题。U-Net等语义分割网络较之YOLO等网络具有更好的缺陷分割能力，能够更精确地标记出缺陷的位置。现阶段所研究的模型在检测精度上能够达到较高的水准，但一般都牺牲了检测的实时性，同时具有高检测精度和高检测速度的模型还有待更深层次的研究和开发。现阶段研究中可用数据集样本量较少，创建样本量较大的数据集并对其进行标记需要耗费大量的时间，此外还存在数据集不均衡的问题，这也是现阶段需要解决的问题之一。缺陷分割则是为了完成图像中缺陷与背景的分割，缺陷分割经过长期以来的发展已经涌现出很多优秀的模型，能够很好地完成语义分割的任务。同时，缺陷分割也面临着数据集较少、分类单一的问题。目前的研究大多处于理论阶段，需要在工业现场进行模拟试验，实现缺陷检测的任务。

参考文献：

[1] 王浩然.基于YOLOv5的钢材表面缺陷检测研究 [D]. 桂林：广西师范大学，2023.

[2] 张宇杰，蔡乐才，成奎，等.改进YOLOv5金属表面缺陷检测方法 [J].四川轻化工大学学报：自然科学版，2022，35（4）：32-41.

[3] 金映谷，张涛，杨亚宁，等.基于深度学习的产品缺陷检测方法综述 [J].大连民族大学学报，2020，22（5）：420-427.

[4] 陶显，侯伟，徐德.基于深度学习的表面缺陷检测方法综述 [J/OL].自动化学报：1-19[2023-02-16].http：//kns.cnki.net/kcms/detail/11.2109.TP.20200402.1101.002.html.

[5] 杨延西，赵梦.基于CNN的带钢表面缺陷检测 [J].重型机械，2019，348（2）：25-29.

[6] 胡江宇，贾树林，马双宝.基于改进级联Faster RCNN的PCB表面缺陷检测算法 [J].仪表技术与传感器，2022（7）：106-110+126.

[7] SHI X C，ZHOU S，TAI Y C，et al. An Improved Faster R-CNN for Steel Surface Defect Detection [C]//2022 IEEE 24th International Workshop on Multimedia Signal Processing （MMSP）.Shanghai：IEEE，2022：1-5.

[8] 张鑫.基于改进RCNN的钢铁表面缺陷检测方法的研究与实现 [D].沈阳：东北大学，2022.

[9] 王延舒，余建波.基于自适应全局定位算法的带钢表面缺陷检测 [J/OL].自动化学报：1-16[2023-02-05].http：//kns.cnki.net/kcms/detail/11.2109.tp.20230214.2146.005.html.

[10] DUAN H，HUANG J，LIU W K，et al. Defective Surface Detection based on Improved Faster R-CNN [C]//2022 IEEE International Conference on Industrial Technology （ICIT）. Shanghai：IEEE，2022：1-6.

[11] REN Q R，GENG J H，LI J Y. Slighter Faster R-CNN for real-time detection of steel strip surface defects [C]//2018 Chinese Automation Congress （CAC）. Xi'an：IEEE，2018：2173-2178.

[12] KIM M S，PARK T，PARK P. Classification of Steel Surface Defect Using Convolutional Neural Network with Few Images [C]//2019 12th Asian Control Conference （ASCC）. Kitakyushu：IEEE，2019：1398-1401.

[13] 赵月，张运楚，孙绍涵，等.基于深度学习的螺纹钢表面缺陷检测 [J].计算机系统应用，2021，30（7）：87-94.

[14] 蔡嘉伦.基于改进YOLO算法的金属表面缺陷检测研究 [D].江门：五邑大学，2023.

[15] QIAN X H，WANG X，YANG S Y，et al. LFF-YOLO： A YOLO Algorithm With Lightweight Feature Fusion Network for Multi-Scale Defect Detection [J].IEEE Access，2022，10：130339-130349.

[16] LIU Y J，WANG J，YU H T，et al. Surface Defect Detection of Steel Products Based on Improved YOLOv5 [C]//2022 41st Chinese Control Conference （CCC）. Hefei：IEEE，2022：5794-5799.

[17] WANG Y，WANG H Y，XIN Z H. Efficient Detection Model of Steel Strip Surface Defects Based on YOLO-V7 [J].IEEE Access，2022，10：133936-133944.

[18] 刘艳菊，王秋霁，张惠玉，等.基于改进SSD的工件表面缺陷检测 [J/OL].热加工工艺，2024（2）：134-139[2023-02-15].https：//doi.org/10.14158/j.cnki.1001-3814.20211221.

[19] 王艳玲，苏盈盈，罗妤，等.基于SSD模型的钢带表面缺陷检测系统设计 [J].重庆科技学院学报：自然科学版，2021，23（3）：95-98.

[20] 杨彬，亚森江·木沙，张凯.改进U-Net网络的高纹理表面缺陷检测方法 [J].机械设计与制造，2023（3）：160-164.

[21] LIU M S，HUANG Y F，XIE Y L. Design of Steel Surface Defect Detection System Based on deep Learning [C]//2022 IEEE International Conference on Artificial Intelligence and Computer Applications （ICAICA）. Dalian：IEEE，2022：743-749.

[22] AMIN D，AKHTER S. Deep Learning-Based Defect Detection System in Steel Sheet Surfaces [EB/OL].[2023-01-16].https：//www.researchgate.net/publication/341978292_Deep_Learning-Based_Defect_Detection_System_in_Steel_Sheet_Surfaces.

[23] 黄怡.基于卷积神经网络的钢表面缺陷检测研究 [D].桂林：桂林电子科技大学，2023.

[24] 范瑶瑶，王兴芬，刘亚辉.改进Deeplabv3+网络的钢板表面缺陷检测研究 [J/OL].计算机工程与应用，2023：1-10（2023-02-20）.http：//kns.cnki.net/kcms/detail/11.2127.TP.20230220.1105.008.html.

作者简介：费佳杰（2000—），男，汉族，江苏无锡人，硕士研究生在读，主要研究方向：缺陷检测、人工智能；通讯作者：李宏胜（1966—），男，汉族，江苏南京人，教授，博士，主要研究方向：人工智能、机器人控制等；任飞（1994—），男，汉族，安徽无为人，所长，博士研究生，主要研究方向：机器视觉与人工智能；吴敏宁（1984—），女，汉族，陕西榆林人，副教授，博士研究生，主要研究方向：智慧农業与智能制造；王光荣（1971—），男，汉族，天津人，教授级高工，本科，主要研究方向：智能矿山与智能制造。

收稿日期：2023-03-22

基金项目：南京工程学院大学生科技创新基金项目（TB202317004）；榆林市2021产学研项目（CXY-2021-102-02）