Μοντέλο αναγνώρισης YOLO για επιφανειακά ελαττώματα προφίλ αλουμινίου

Jan 24, 2024

Αφήστε ένα μήνυμα

Ως αλγόριθμος αναγνώρισης στόχων που βασίζεται σε παλινδρόμηση, το YOLOv3 μπορεί να επιτύχει γρήγορη και ακριβή αναγνώριση πολλαπλών στόχων. Το YOLOv3 εκπαιδεύεται στην παγκόσμια περιοχή της εικόνας εισόδου, γεγονός που επιταχύνει την εκπαίδευση και επιτρέπει την καλύτερη διάκριση μεταξύ στόχων και φόντου. Αρχικά, το δίκτυο κορμού Darknet-53 χρησιμοποιείται για την εξαγωγή των χαρακτηριστικών επιφανειακών ελαττωμάτων των προφίλ αλουμινίου και, στη συνέχεια, το πλαίσιο-στόχος χρησιμοποιείται για την άμεση πρόβλεψη της κατηγορίας και της τοποθεσίας στόχου. Τα επιφανειακά ελαττώματα των προφίλ αλουμινίου είναι ακανόνιστου σχήματος, τυχαίας θέσης και ποικίλλουν σε μέγεθος. Είναι δύσκολο να εντοπιστούν με ακρίβεια μικρά ελαττώματα εφαρμόζοντας απευθείας το μοντέλο YOLOv3 για αναγνώριση.

 

 

YOLO recognition model for surface defects of aluminum profilesYOLO recognition model for surface defects of aluminum profiles

Αυτό το άρθρο βελτιώνει το μοντέλο YOLOv3 με βάση μια εις βάθος ανάλυση των χαρακτηριστικών του. Επεκτείνετε την αρχική δομή αναγνώρισης 3- κλίμακας σε 4 κλίμακες για να βελτιώσετε την ικανότητα εντοπισμού μικρών ελαττωμάτων. Κατασκευάστε ένα αρχικό πλαίσιο-στόχο κατάλληλο για ελαττώματα επιφάνειας προφίλ αλουμινίου μέσω ανάλυσης εκ νέου ομαδοποίησης και βελτιώστε τις παραμέτρους του μοντέλου του αλγορίθμου YOLO. χρήση μεθόδων εκπαίδευσης πολλαπλών κλιμάκων για εκπαίδευση Η διαδικασία έχει βελτιστοποιηθεί για να βελτιώσει την προσαρμοστικότητα και την ακρίβεια αναγνώρισης του μοντέλου σε ελαττώματα διαφορετικών κλιμάκων και για την επίλυση προβλημάτων όπως η δυσκολία στον εντοπισμό ελαττωμάτων επιφάνειας και η χαμηλή ακρίβεια των προφίλ αλουμινίου.