文献类型：期刊文章

作　　者：程婧怡[1] 段先华[1] 朱伟[1]

CHENG Jingyi;DUAN Xianhua;ZHU Wei(School of Computer Science,Jiangsu University of Science and Technology,Zhenjiang,Jiangsu 212100,China)

机构地区：[1]江苏科技大学计算机学院,江苏镇江212100

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(1806087);江苏省研究生创新项目(SJCX20_1475)。

年　　份：2021

卷　　号：57

期　　号：19

起止页码：252-258

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对金属表面缺陷检测中目标尺寸小和特征不清晰导致漏检的问题,提出一种改进YOLOv3的金属缺陷检测算法。在YOLOv3网络结构的基础上,将第11层浅层特征与网络深层特征融合,生成一个新的尺度为104×104特征图层,提取更多小缺陷目标特征。加入DIoU边框回归损失,为边界框提供移动方向以及更准确的位置信息,加快模型收敛。利用K-Means++聚类分析数据集上的先验框尺寸信息,筛选出最优的AnchorBox,使定位更加精准,降低网络损失。将改进后的算法与其他检测算法在NEU-DET数据集上进行检测性能对比。实验分析表明改进后的YOLOv3平均检测速率为31.6 frame/s;平均检测精度为67.64%,比YOLOv3提高了7.49个百分点,相较于FasterR-CNN等算法也有较大的检测精度优势。结论表明,改进后的YOLOv3可以使小缺陷目标的位置信息和精度更加准确。

关 键 词：目标检测 金属表面缺陷  YOLOv3  K-Means++  距离交并比(DIoU)  

分 类 号：TP39]