Als regressionsbasierter Zielerkennungsalgorithmus kann YOLOv3 eine schnelle und genaue Erkennung mehrerer Ziele erreichen. YOLOv3 trainiert im globalen Bereich des Eingabebilds, was das Training beschleunigt und eine bessere Unterscheidung zwischen Zielen und Hintergrund ermöglicht. Zuerst wird das Darknet-53-Backbone-Netzwerk verwendet, um die Oberflächenfehlermerkmale von Aluminiumprofilen zu extrahieren, und dann wird der Zielrahmen verwendet, um die Zielkategorie und den Zielort direkt vorherzusagen. Die Oberflächenfehler von Aluminiumprofilen sind unregelmäßig geformt, unregelmäßig angeordnet und variieren in der Größe. Es ist schwierig, kleine Fehler durch direkte Anwendung des YOLOv3-Modells zur Identifizierung genau zu identifizieren.


Dieser Artikel verbessert das YOLOv3-Modell basierend auf einer eingehenden Analyse seiner Eigenschaften. Erweitern Sie die ursprüngliche 3-Skalenerkennungsstruktur auf 4 Skalen, um die Fähigkeit zur Erkennung kleiner Fehler zu verbessern. Konstruieren Sie durch Re-Clustering-Analyse einen ersten Zielrahmen, der für Oberflächendefekte von Aluminiumprofilen geeignet ist, und verbessern Sie die Modellparameter des YOLO-Algorithmus. Verwenden Sie Trainingsmethoden mit mehreren Maßstäben zum Trainieren. Der Prozess ist optimiert, um die Anpassungsfähigkeit und Erkennungsgenauigkeit des Modells an Fehler unterschiedlicher Maßstäbe zu verbessern und Probleme wie die Schwierigkeit bei der Identifizierung von Oberflächenfehlern und die geringe Genauigkeit von Aluminiumprofilen zu lösen.
