典型文献
基于改进YOLOv3的酒瓶盖瑕疵检测算法
文献摘要：
在智能酿酒工艺中,对酒瓶外包装进行瑕疵检测是质检环节重要的一环.本文基于改进YOLOv3目标检测算法,将其应用到酒瓶盖瑕疵检测的环节中,最终结果符合工厂生产线对瑕疵检测精度和速度的要求.该方法在YOLOv3主干Backbone网络的残差模块中引入SENet Module,应用注意力机制加强对特征的提取,在Neck特征金字塔网络中引入自适应特征融合网络(ASFF),融合不同尺度的特征信息,提高模型的预测能力,同时引入Focus Loss损失函数解决正负样本不均衡问题,加速损失函数的收敛速度.改进后的YOLOv3-ASFL在自制酒瓶盖瑕疵数据集上mAP达到92.33％,单张图像检测时间仅为0.085 s,比原始YOLOv3在相同数据集上的mAP提升了 6.59％.改进后的YOLOv3模型性能更好,符合酒瓶包装生产线对瑕疵检测的需求.
文献关键词：
瑕疵检测;自适应特征融合;YOLOv3;SENet;Focus Loss
中图分类号：
作者姓名：
段禄成;谭保华;余星雨
作者机构：
湖北工业大学理学院 武汉430068;湖北工业大学电气与电子工程学院 武汉430068
文献出处：
引用格式：
[1]段禄成;谭保华;余星雨-.基于改进YOLOv3的酒瓶盖瑕疵检测算法)[J].电子测量技术,2022(15):130-137
A类：
酒瓶盖瑕疵检测,ASFL
B类：
YOLOv3,酿酒工艺,外包装,装进,质检,目标检测算法,工厂生产,检测精度,Backbone,残差模块,SENet,Module,注意力机制加强,特征的提取,Neck,特征金字塔网络,自适应特征融合,特征融合网络,ASFF,不同尺度,特征信息,预测能力,Focus,Loss,损失函数,正负样本,样本不均衡,均衡问题,收敛速度,制酒,mAP,单张,图像检测,检测时间,模型性能,包装生产线
AB值：
0.339271
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
