基于改进YOLOv4算法的铝材表面缺陷识别方法研究OA
Research on Aluminum Surface Defect Identification Methods Based on Improved YOLOv4 Algorithm
文章针对铝材表面缺陷识别原始算法精度低与提取突出特征能力弱的问题,提出一种改进的YOLOv4算法.首先,为提高对小目标缺陷的检测能力,改进了多尺度预测,增强更浅层的细粒度特征信息融合;其次,对铝材标注数据样本采用K-means聚类,获取更适合缺陷目标的先验框.实验结果表明,在检测速度基本不变的前提下,改进YOLOv4算法的平均精度达到95.02％,比原始的YOLOv4算法提高了1.42％,比YOLOv3提高了2.34％,比Faster R-CNN提高了11.48％.
栾明慧;李松松;李晨;王宇恒;郭忠宇
大连海洋大学 信息工程学院,辽宁 大连 116023大连海洋大学 信息工程学院,辽宁 大连 116023大连海洋大学 信息工程学院,辽宁 大连 116023大连海洋大学 信息工程学院,辽宁 大连 116023大连海洋大学 信息工程学院,辽宁 大连 116023
信息技术与安全科学
铝材表面缺陷YOLOv4多尺度预测K-means算法
《现代信息科技》 2021 (23)
正交异性钢桥面板疲劳损伤非线性电磁超声导波检测与定量评估
96-99,103,5
国家自然科学基金资助项目(51778104)辽宁省渔业厅资助项目(201723)
评论