典型文献
基于改进YOLOv4的汽车钢铁零件表面缺陷检测
文献摘要：
针对YOLOv4在自建的汽车钢铁零件表面缺陷数据集中检测精度不足的问题,利用深度学习的优势,提出一种基于改进YOLOv4的汽车钢铁零件表面缺陷检测方法.首先采用加权K-means算法确定初始anchors预选框,增强anchors框和特征图尺寸的匹配精度,提高检测效率;然后在YOLOv4主干网络的残差单元中引入SE模块,增加有用特征的权重,抑制无效特征的权重来提高检测精度;最后在76×76的特征图后连接RFB-s模块,增强对小目标信息的特征提取能力.实验结果表明,针对自建汽车零件表面缺陷数据集有无缺陷单类检测问题,改进算法比原始YOLOv4的mAP50值提高了4.3个百分点,对小目标具有更好的检测效果.这说明改进算法能满足针对特定的汽车钢铁零件表面缺陷检测问题下的检测速度和精度要求,有效解决了实际问题.针对COCO数据集多分类问题,改进后模型的mAP50值比原始YOLOv4提高了0.2个百分点,FPS值达到20,说明改进算法能够迁移到其他数据集,验证了该算法的泛化性.
文献关键词：
小目标检测;YOLOv4;深度学习;实时检测;加权K-means;SENet;RFB-s模块
中图分类号：
作者姓名：
彭露露;朱媛媛;金文倩;王笑梅
作者机构：
上海师范大学信息与机电工程学院,上海 200234
文献出处：
引用格式：
[1]彭露露;朱媛媛;金文倩;王笑梅-.基于改进YOLOv4的汽车钢铁零件表面缺陷检测)[J].计算机与现代化,2022(09):32-39,50
A类：
B类：
YOLOv4,钢铁,表面缺陷检测,缺陷数据,检测精度,缺陷检测方法,means,anchors,预选框,特征图,匹配精度,高检,检测效率,主干网络,残差单元,抑制无效特征,重来,RFB,目标信息,特征提取能力,汽车零件,无缺,检测问题,改进算法,mAP50,百分点,检测效果,足针,题下,检测速度,精度要求,COCO,多分类问题,FPS,泛化性,小目标检测,实时检测,SENet
AB值：
0.372269
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。
