基于改进YOLOv3的大尺寸导光板缺陷检测

摘要：

单边侧入式大尺寸导光板存在网点分布不均、缺陷大小与形态不一、背景纹理复杂等特点,而人工选取特征的传统机器视觉方法泛化能力不强.基于此,本文提出一种基于改进YOLOv3的大尺寸导光板缺陷检测方法.首先,在网络浅层特征层引入改进多分支RFB模块,增大网络感受野,丰富目标语义信息,加强特征提取能力;其次,利用深度可分离卷积替换标准卷积,缩减模型大小和计算量;进而,改进K-means算法,对聚类出的锚框进行线性缩放,使之更加贴近真实框;最后,利用在生产现场采集的大尺寸导光板缺陷图片进行了大量的实验研究.实验结果表明,本文提出的检测算法平均精度达到98.92％.与YOLOv3相比,平均准确率、F1值分别提升了8.55％、10.76％,检测速度达到71.6 fps,可满足工业生产检测要求.

关键词：缺陷检测、深度学习、改进YOLOv3、深度可分离卷积、改进K-means算法、目标检测

所属期刊栏目：31

分类号：TP391;TP183;U471.3

资助基金：浙江省公益性技术应用研究计划;浙江省公益性技术应用研究计划

在线出版日期：2022-06-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：279-286