基于深度学习的铸件缺陷检测

摘要：

提出一种YOLOv3-Mv2的检测模型,对铸件划痕缺陷进行检测.首先,选择更小的骨架网络MobileNetv2替换原来的特征提取网络结构Darknet53,以减少网络的计算参数量,提升检测速度;其次,在深层特征和浅层特征相融合的基础上增加新的检测尺度,以增强对小缺陷目标的检测能力;然后将BN(Batch Normalization)层的参数重新计算,与卷积层共用连通区域数据,加快模型前向推断的速度;引入CIoU(Complete IoU)函数提高定位准确度.结果表明,YOLOv3-Mv2与原YOLOv3算法相比,平均精度(mAP)值提高了 5.42％,实时性提高了 23 f/s.

关键词：缺陷检测、MobileNetv2、合并参数、检测尺度、损失函数

所属期刊栏目：41

分类号：TP311;TG249;TG245(计算技术、计算机技术)

资助基金：山西省科技重大专项;国家国际科技合作专项基金;山西省重点研发计划资助项目;山西省重点研发计划资助项目;山西省基础研究计划;山西省研究生教育创新项目

在线出版日期：2021-06-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：580-584