回帰ベースのターゲット認識アルゴリズムとして、YOLOv3 は複数のターゲットを迅速かつ正確に認識できます。 YOLOv3 は入力画像のグローバル領域でトレーニングするため、トレーニングが高速化され、ターゲットと背景の識別が向上します。 まず、Darknet-53 バックボーン ネットワークを使用してアルミニウム プロファイルの表面欠陥特徴を抽出し、次にターゲット フレームを使用してターゲット カテゴリと位置を直接予測します。 アルミニウム プロファイルの表面欠陥は、形状が不規則で、位置もランダムで、サイズも異なります。 YOLOv3 モデルを直接適用して識別することによって、小さな欠陥を正確に識別することは困難です。


この記事では、YOLOv3 モデルの特性の詳細な分析に基づいて YOLOv3 モデルを改善します。 元の 3- スケール認識構造を 4 つのスケールに拡張して、小さな欠陥を識別する能力を向上させます。 再クラスタリング解析を通じてアルミニウムプロファイルの表面欠陥に適した初期ターゲットフレームを構築し、YOLOアルゴリズムのモデルパラメータを改善します。 マルチスケールのトレーニング方法を使用してトレーニングします。このプロセスは、さまざまなスケールの欠陥に対するモデルの適応性と認識精度を向上させ、表面欠陥の特定の難しさやアルミニウムプロファイルの精度の低さなどの問題を解決するために最適化されています。
