FAILED
首站-论文投稿智能助手
典型文献
基于改进YOLOv4的焊接件表面缺陷检测算法
文献摘要:
目的 针对真实复杂的工业场景下焊接件表面缺陷检测精度低、速度慢和图像噪声大等问题,提出一种基于卷积神经网络的改进YOLOv4焊接件表面缺陷检测算法.方法 该模型基于YOLOv4算法,首先,考虑到存储和计算资源的限制,使用了轻量级网络GhostNet替换YOLOv4的主干特征提取网络(Backbone)CSPDarknet53;其次,在GhostNet网络结构中嵌入改进的通道注意力机制,能够提高模型的学习能力且减少参数量;最后,引入K–means++聚类算法对焊接件表面缺陷数据集中待检测的标注框宽高进行聚类,使网络模型更容易检测到样本中的缺陷.结果 实验结果表明,改进后的YOLOv4算法平均精度(mean Average Precision,mAP)为91.07%,检测速度达到48.11帧/s,模型尺寸为43.2 MB,比原始YOLOv4算法平均精度提升了4.61%,检测速度提高了26.59帧/s,模型尺寸缩减了82.37%.结论 所提模型提高了焊接件表面缺陷检测的精度和速度,在工业表面缺陷检测中具有现实意义.
文献关键词:
焊接件;缺陷检测;YOLOv4;GhostNet;K—means++
作者姓名:
付思琴;邱涛;王权顺;黄德丰;余华云
作者机构:
长江大学 计算机科学学院,湖北 荆州 434023;重庆大学 计算机学院,重庆 400044
文献出处:
引用格式:
[1]付思琴;邱涛;王权顺;黄德丰;余华云-.基于改进YOLOv4的焊接件表面缺陷检测算法)[J].包装工程,2022(15):23-32
A类:
B类:
YOLOv4,焊接件,表面缺陷检测,检测算法,工业场景,检测精度,速度慢,和图像,图像噪声,计算资源,轻量级网络,GhostNet,主干特征提取网络,Backbone,CSPDarknet53,通道注意力机制,参数量,means++,聚类算法,对焊,缺陷数据,Average,Precision,mAP,检测速度,模型尺寸,MB,精度提升
AB值:
0.303284
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。