首页|基于轻量化YOLOv3的带钢表面缺陷检测方法

基于轻量化YOLOv3的带钢表面缺陷检测方法

扫码查看
原文链接
  • 万方数据
  • 维普
缺陷检测是带钢生产过程中不可缺少的工序,现有检测方法普遍存在检测精度较低、实时性差等问题.为解决上述问题,本文提出了一种基于轻量化YOLOv3的快速缺陷检测方法.Mo-bileNetv2作为主干网络并用两个尺度的特征图进行输出,保证了网络模型的轻量化;将改进后的注意力模块融合进特征金字塔网络(feature pyramid network,FPN),同时结合空间金字塔池化模块(spatial pyramid pooling,SPP),以提高算法对缺陷的学习能力;使用K均值聚类算法获得更优的先验框,并且使用CIoU(complete-intersection over union)对损失函数进行优化,进一步提升网络性能.提出的方法在带钢缺陷数据集上检测速度为70.8 FPS;模型参数量为7.1 MB,仅为YOLOv3的3.02％.实验结果表明本文所提方法能够在保证精度的同时实现对缺陷的快速检测,具有良好的生产线部署能力.
Surface defect detection method of strip steel based on lightweight YOLOv3

metal strip steeldefect detectiondeep learningconvolutional neural networkYOLOv3

马千文、刘国华

展开 >

天津工业大学机械工程学院,天津 300387

天津市现代机电装备技术重点实验室,天津 300387

金属带钢 缺陷检测 深度学习 卷积神经网络 YOLOv3

天津市科技计划

21YFFCYS00080

2023

10.16136/j.joel.2023.07.0442

光电子·激光
天津理工大学 中国光学学会

光电子·激光

CSCD北大核心
影响因子：1.437
ISSN：1005-0086
年,卷(期)：2023.34(7)
  • 1
  • 4