典型文献
基于改进YOLOv3算法的布匹疵点检测
文献摘要：
基于视觉的布匹疵点检测具有检测效率高和成本低的优势.目前基于深度学习的目标检测算法得到了广泛应用,但是布匹疵点检测具有检测小型疵点准确率低、计算量大和检测速度慢的缺陷,因此提出一种改进YOLOv3的布匹疵点检测算法.该算法使用轻量级卷积神经网络GhostNet作为YOLOv3算法的特征提取网络,加快网络的计算速度,同时引入注意力机制,使网络更好地学习显著区域,更换位置回归损失函数为CIOU,提高定位的准确性,以及调整特征图层与数据之间的匹配度,提高算法的适应性.实验结果表明,改进的YOLOv3目标检测算法的检测精度和检测速度得到了大幅提升,满足工业实时检测的需求.
文献关键词：
深度学习;布匹疵点检测;GhostNet;注意力机制;YOLOv3算法
中图分类号：
作者姓名：
王贺楠;曹江涛;韩济阳;姬晓飞
作者机构：
辽宁石油化工大学 信息与控制工程学院,辽宁 抚顺113001;沈阳航空航天大学 自动化学院,沈阳110136
文献出处：
引用格式：
[1]王贺楠;曹江涛;韩济阳;姬晓飞-.基于改进YOLOv3算法的布匹疵点检测)[J].沈阳航空航天大学学报,2022(01):54-60
A类：
B类：
YOLOv3,布匹疵点检测,检测效率,目标检测算法,计算量,检测速度,速度慢,轻量级卷积神经网络,GhostNet,特征提取网络,计算速度,注意力机制,地学,换位,位置回归,损失函数,CIOU,特征图,图层,匹配度,检测精度,实时检测
AB值：
0.246963
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。
