文献类型：期刊文章

作　　者：李维刚[1,2] 叶欣[1] 赵云涛[1] 王文波[3]

LI Wei-gang;YE Xin;ZHAO Yun-tao;WANG Wen-bo(Engineering Research Center for Metallurgical Automation and Technology of Ministry of Education,Wuhan University of Science and Technology,Wuhan,Hubei 430081,China;National-Provincial Joint Engineering Research Center of High Temperature Materials and Lining Technology,Wuhan University of Science and Technology,Wuhan,Hubei 430081,China;College of Science,Wuhan University of Science and Technology Wuhan,Hubei 430081,China)

机构地区：[1]武汉科技大学冶金自动化与检测技术教育部工程研究中心,湖北武汉430081 [2]武汉科技大学高温材料与炉衬技术国家地方联合工程研究中心,湖北武汉430081 [3]武汉科技大学理学院,湖北武汉430081

出　　处：《电子学报》

基　　金：国家自然科学基金(No.51774219)。

年　　份：2020

卷　　号：48

期　　号：7

起止页码：1284-1292

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题,提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数,提高先验框(priors anchor)与特征图层(feature map)的匹配度;同时,调整YOLOv3算法的网络结构,融合浅层特征与深层特征,形成新的大尺度检测图层,提高网络对带钢表面缺陷的检测精度.实验结果表明,改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%,较原有的YOLOv3算法提高了11%;同时检测速度保持在50fps,优于目前其它深度学习带钢表面缺陷检测算法.

关 键 词：目标检测 带钢表面缺陷 YOLOv3  加权K-means  

分 类 号：TP391.41]