摘要
本文提出一种基于YOLOv4铜板带材表面缺陷检测模型,针对铜金属板带材生产过程中产生的表面缺陷形式多样、位置随机而导致难以快速定位和识别的问题,采用大数据驱动的深度学习策略,以铜带表面缺陷图像为训练样本,对YOLOv4目标检测模型进行训练,实验结果表明,改进的模型识别铜带表面缺陷的全类别平均精度均值(mean average precision,mAP)为93.37％,高于原始YOLOv4模型的全类别平均精度91.46％,检测速度达到49帧/秒,与双阶段的检测模型更快地 R-CNN(faster region-based convolutional neural network,Faster R-CNN)相比,在保证检测精度的同时提升检测速度,能够满足在线检测需要,适合完成铜带工业生产过程中缺陷检测任务.
维普
万方数据