典型文献
改进YOLOv3算法用于铝型材表面缺陷检测
文献摘要：
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.
文献关键词：
计量学;表面缺陷检测;铝型材;深度学习;YOLOv3方法;k-均值聚类
中图分类号：
作者姓名：
姚波;温秀兰;焦良葆;王树刚;钱峥;李子康
作者机构：
南京工程学院 自动化学院,江苏南京211167;江苏省智能感知技术与装备工程研究中心,江苏 南京211167;无锡市计量测试院,江苏 无锡214000;南京市计量监督检测院,江苏南京210049
文献出处：
引用格式：
[1]姚波;温秀兰;焦良葆;王树刚;钱峥;李子康-.改进YOLOv3算法用于铝型材表面缺陷检测)[J].计量学报,2022(10):1256-1261
A类：
B类：
YOLOv3,铝型材,表面缺陷检测,检测效率,缺陷检测方法,均值聚类,聚类算法,候选框,网络层级,层级结构,目标检测,检测层,CBL,改成,再补,残差单元,复用,卷积网络,Faster,RCNN,SSD,检测速度,适于,快速性
AB值：
0.306238
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。
