文献类型：期刊文章

作　　者：王紫玉[1] 张果[1] 杨奇[2] 尹丽琼[2]

WANG Ziyu;ZHANG Guo;YANG Qi;YIN Liqiong(Faculty of Information Engineering and Automation,Kunming University of Science and Technology,Kunming,Yunnan 650500,China;WISCO Group Kunming Iron&Steel Co,Ltd,Anning Company,Kunming,Yunnan 650302,China)

机构地区：[1]昆明理工大学自动化学院,云南昆明650500 [2]武钢集团昆明钢铁股份有限公司安宁公司,云南昆明650302

出　　处：《光电子．激光》

基　　金：国家重点研发计划(2017YFB0306405);国家自然科学基金(61364008);云南省重点研发计划(2018BA070)资助项目。

年　　份：2022

卷　　号：33

期　　号：2

起止页码：163-170

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、核心刊

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。

关 键 词：深度学习  缺陷识别  YOLOv4  模式识别

分 类 号：TP391]