典型文献
基于改进YOLOv4的烟条拉线头缺陷检测
文献摘要：
针对烟条透明塑料外包装上拉线头的缺陷检测中传统图像处理的误报率高的问题,提出了一种基于YOLO深度学习算法和算法相结合并具有自学习优化功能的改进方案.首先,使用传统Hough变换圆检测,将检测出缺陷的图像二次经过YOLO算法.其次,为使YOLO算法达到高性能、高精度的效果,对YOLO的网络结构进行改造,提出了AAS-YOLO(adaptive anchor size with YOLOv4)算法,使其具备兼容动态尺度锚定边框的功能,可以实现将传统算法的部分计算结果作为自学习参数贡献给AAS-YOLO算法.最后,通过去除贡献低的批量归一化(batch normalization,BN)通道,精简了网络结构,减少冗余计算.实验数据表明,改进后的AAS-YOLO算法提高了定位精度和检测速度,改进后的方案降低了拉线头缺陷检测的误报率.
文献关键词：
深度学习;缺陷检测;外包装检测;改进YOLO算法
中图分类号：
作者姓名：
鲁鑫;郭业才
作者机构：
南京信息工程大学电子与通信学院,南京210044
文献出处：
引用格式：
[1]鲁鑫;郭业才-.基于改进YOLOv4的烟条拉线头缺陷检测)[J].科学技术与工程,2022(21):9199-9206
A类：
B类：
YOLOv4,烟条,拉线,线头,缺陷检测,透明塑料,装上,误报率,深度学习算法,和算,自学习优化,改进方案,Hough,圆检测,出缺,AAS,adaptive,anchor,size,锚定,定边,边框,传统算法,学习参数,献给,批量归一化,batch,normalization,BN,精简,冗余计算,定位精度,检测速度,外包装检测
AB值：
0.418685
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。
