基于YOLOv3的磁瓦表面缺陷检测算法

论文摘要

由于磁瓦缺陷本身对比度、不同缺陷特征不尽相同等原因,传统缺陷检测算法检测效果较差。针对不同缺陷特征的磁瓦缺陷检测的问题,提出了一种基于YOLOv3的磁瓦缺陷检测方法。YOLOv3借鉴Resnet的残差结构可以很轻松的构建更深的卷积网络,更深的网络可以更好地表达磁瓦缺陷的特征。同时其类似FPN的特征融合思想,可以较好地保证小缺陷样本不会出现特征丢失的情况。基于以上优点,YOLOv3很适合应用于缺陷检测。实验结果表明,该方法在检测效果上不差于基于Resnet101的Faster R-CNN的方法,而且其平均检测速度快5倍以上。

论文目录

• 1 YOLOv3算法描述
•   1.1 YOLOv3的主体结构
•     1.1.1 YOLOv3特征提取网络
•     1.1.2 YOLOv3多尺度特征融合
•     1.1.3 YOLOv3的类别预测
•   1.2 损失函数
• 2 基于YOLOv3的磁瓦缺陷检测
•   2.1 磁瓦数据集
•   2.2 实验条件及训练过程
•   2.3 本文算法评估指标
• 3 磁瓦检测结果与分析
•   3.1 预处理图片
•   3.2 缺陷检测结果
•   3.3 不同算法检测结果对比
• 4 结论

文章来源

类型: 期刊论文

作者: 郭龙源,童光红,段厚裕,赵林,李武劲,欧先锋,晏鹏程,张一鸣

关键词: 缺陷检测,深度学习,目标检测,磁瓦

来源: 成都工业学院学报 2019年03期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 汽车工业,计算机软件及计算机应用

单位: 湖南理工学院信息科学与工程学院,机器视觉及人工智能研究中心

基金: 湖南省研究生科研创新项目资助(CX2018B779,CX2018B776),湖南省教育厅优秀青年项目(18B345),国家自然科学基金(51704115),湖南省自然科学基金面上项目(2019JJ40104)

分类号: TP391.41;U472.9

DOI: 10.13542/j.cnki.51-1747/tn.2019.03.006

页码: 25-30

总页数: 6

文件大小: 1751K

下载量: 327