典型文献
基于YOLOv4的铜带表面缺陷识别研究
文献摘要：
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.
文献关键词：
深度学习;缺陷识别;YOLOv4;模式识别
中图分类号：
作者姓名：
王紫玉;张果;杨奇;尹丽琼
作者机构：
昆明理工大学 自动化学院,云南昆明650500;武钢集团昆明钢铁股份有限公司安宁公司,云南昆明650302
文献出处：
引用格式：
[1]王紫玉;张果;杨奇;尹丽琼-.基于YOLOv4的铜带表面缺陷识别研究)[J].光电子·激光,2022(02):163-170
A类：
B类：
YOLOv4,铜带,缺陷识别,铜板带,带材,表面缺陷检测,铜金属,金属板,快速定位,大数据驱动,深度学习策略,训练样本,目标检测模型,模型识别,平均精度均值,mean,average,precision,mAP,检测速度,双阶段,faster,region,convolutional,neural,network,Faster,检测精度,在线检测,带工,模式识别
AB值：
0.424183
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
