改进YOLOv3算法用于铝型材表面缺陷检测

摘要：

针对目前铝型材表面缺陷检测存在的准确率、检测效率较低等问题,提出了一种基于改进的YOLOv3铝型材表面缺陷检测方法.首先通过k-均值聚类算法对采集到的数据集进行聚类分析,选取尺寸最优的目标候选框;考虑到铝型材表面缺陷较大,对YOLOv3的网络层级结构进行调整,并将目标检测层之前的6个CBL单元改成4个,再补充2个残差单元,以提高特征的复用.将提出方法用于铝型材表面缺陷检测,并与经典的卷积网络Faster-RCNN和SSD方法进行比较,实验结果表明,采用提出的算法准确率达到97％,检测速度达到47帧/s,明显优于经典的卷积网络Faster-RCNN和SSD,适于在有高精度快速性要求的铝型材表面缺陷检测中推广应用.

关键词：计量学、表面缺陷检测、铝型材、深度学习、YOLOv3方法、k-均值聚类

所属期刊栏目：43

分类号：TP92;TP391

资助基金：国家自然科学基金;江苏省智能感知技术与装备工程研究中心开放基金;南京工程学院研究生创新

在线出版日期：2022-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1256-1261