改进的YOLOv3网络在钢板表面缺陷检测研究

doi:10.3778/j.issn.1002-8331.2003-0232

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (16): 265-272.DOI: 10.3778/j.issn.1002-8331.2003-0232

改进的YOLOv3网络在钢板表面缺陷检测研究

徐镪，朱洪锦，范洪辉，周红燕，余光辉

1.江苏理工学院机械工程学院，江苏常州 213001
2.江苏理工学院计算机工程学院，江苏常州 213001

出版日期:2020-08-15 发布日期:2020-08-11

Study on Detection of Steel Plate Surface Defects by Improved YOLOv3 Network

XU Qiang, ZHU Hongjin, FAN Honghui, ZHOU Hongyan, YU Guanghui

1.School of Mechanical Engineering, Jiangsu University of Technology, Changzhou, Jiangsu 213001, China
2.School of Computer Engineering, Jiangsu University of Technology, Changzhou, Jiangsu 213001, China

Online:2020-08-15 Published:2020-08-11

摘要/Abstract

摘要：

为了提高工业自动化水平，对表面缺陷进行有效检测，提出了一种改进的YOLOv3（You Only Look Once）网络检测方法。使用轻量级网络（MobileNet）来代替YOLOv3原有网络中的密集连接网络（Darknet-53），适当减少参数量的提取；加入空洞卷积，提高网络对小目标缺陷的检测能力；在网络结构的最后一层卷积中加入了Inception结构，进一步减少参数总量并加深网络。改进后的网络在测试集上精准性比原有的YOLOv3网络提高了23.3%，实时性也提高了95.4%，在钢板表面缺陷检测中具有更好的应用前景。

关键词: YOLOv3, 缺陷检测, 轻量级, 空洞卷积, Inception

Abstract:

In order to improve the level of industrial automation and detect the surface defects effectively, an improved network detection method of YOLO3 is proposed. Firstly, MobileNet is used to replace the Darknet-53 in the original YOLOv3 network and can reduce the extraction of parameters properly. Secondly, it adds dilated convolution to improve the detection ability of network for small target defects. Finally, it adds the Inception structure to the last layer of convolution in the network structure to further reduce the total number of parameters and deepen the network. The accuracy of the improved network in the test set is 23.3% higher than that of the original YOLOv3 network, and the real-time performance is also improved by 95.4%. It has a better application prospect in the detection of steel plate surface defects.

Key words: YOLOv3, defect detection, lightweight, dilated convolutions, Inception

徐镪，朱洪锦，范洪辉，周红燕，余光辉. 改进的YOLOv3网络在钢板表面缺陷检测研究[J]. 计算机工程与应用, 2020, 56(16): 265-272.

XU Qiang, ZHU Hongjin, FAN Honghui, ZHOU Hongyan, YU Guanghui. Study on Detection of Steel Plate Surface Defects by Improved YOLOv3 Network[J]. Computer Engineering and Applications, 2020, 56(16): 265-272.

[1]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[2]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[3]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[4]	马巧梅，王明俊，梁昊然. 复杂场景下基于改进YOLOv3的车牌定位检测算法[J]. 计算机工程与应用, 2021, 57(7): 198-208.
[5]	刘紫燕，袁磊，朱明成，马珊珊，陈霖周廷. 融合SPP和改进FPN的YOLOv3交通标志检测[J]. 计算机工程与应用, 2021, 57(7): 164-170.
[6]	胡扬涛，裴洋，林川，李世成，易玉根. 空洞残差U型网络用于视网膜血管分割[J]. 计算机工程与应用, 2021, 57(7): 185-191.
[7]	彭昭勇，伍权，陈华伟，郑跃，王书祥. 基于文献计量的机器视觉缺陷检测研究述评[J]. 计算机工程与应用, 2021, 57(4): 28-34.
[8]	丁培，阿里甫·库尔班，耿丽婷，韩文轩. 自然环境下实时人脸口罩检测与规范佩戴识别[J]. 计算机工程与应用, 2021, 57(24): 268-275.
[9]	丁冰，杨祖莨，丁洁，刘晋峰，闫国亮. 基于改进YOLOv3的高速公路隧道内停车检测方法[J]. 计算机工程与应用, 2021, 57(23): 234-239.
[10]	徐晓东，王俊杰. 面向边缘端的施工人员实时检测方法[J]. 计算机工程与应用, 2021, 57(23): 280-286.
[11]	谢兄，杨金鹏. YOLO-wLU：考虑定位不确定性的目标检测算法[J]. 计算机工程与应用, 2021, 57(22): 223-231.
[12]	黄文斌，陈仁文，袁婷婷. 改进YOLOv3-SPP的无人机目标检测模型压缩方案[J]. 计算机工程与应用, 2021, 57(21): 165-173.
[13]	薄景文，张春堂，樊春玲，李海菊. 改进YOLOv3的矿石输送带杂物检测方法[J]. 计算机工程与应用, 2021, 57(21): 248-255.
[14]	秦伟伟，宋泰年，刘洁瑜，王洪伟，梁卓. 基于轻量化YOLOv3的遥感军事目标检测算法[J]. 计算机工程与应用, 2021, 57(21): 263-269.
[15]	王建军，魏江，梅少辉，王健. 面向遥感图像小目标检测的改进YOLOv3算法[J]. 计算机工程与应用, 2021, 57(20): 133-141.

改进的YOLOv3网络在钢板表面缺陷检测研究

Study on Detection of Steel Plate Surface Defects by Improved YOLOv3 Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics