典型文献
基于改进YOLOv4-tiny的铝合金型材表面缺陷检测
文献摘要：
为了解决铝合金的擦花、喷流、脏点三类表面缺陷检测时,YOLOv4-tiny模型原有目标先验框对缺陷目标尺寸不敏感、缺陷检测精确度低等问题,利用K-means聚类算法将目标边框重新聚类,生成6个新的先验框,增强先验框在对目标检测时的敏感性,将通道注意力机制的典型代表SEnet添加到YOLOv4-tiny的加强特征提取网络中,提高检测精确度.结果表明,改进后的网络每秒传输帧数为94,与原网络相比均值平均精度提高3.46％,精确度和召回率的调和平均值提高2.67％.改进后网络占用内存为22.6 MB,能够适应工业环境下实时检测的精准性.
文献关键词：
缺陷检测;YOLOv4-tiny;K-means;通道注意力机制
中图分类号：
作者姓名：
梁维中;王洪玉;王淑涵
作者机构：
黑龙江科技大学 材料科学与工程学院,哈尔滨150022
文献出处：
引用格式：
[1]梁维中;王洪玉;王淑涵-.基于改进YOLOv4-tiny的铝合金型材表面缺陷检测)[J].黑龙江科技大学学报,2022(06):752-758
A类：
SEnet
B类：
YOLOv4,tiny,铝合金型材,表面缺陷检测,喷流,脏点,先验框,标尺,不敏,检测精确度,means,聚类算法,边框,目标检测,通道注意力机制,特征提取网络,高检,每秒,秒传,均值平均精度,召回率,调和平均,存为,MB,工业环境,实时检测,精准性
AB值：
0.373002
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。
