회귀 기반 표적 인식 알고리즘인 YOLOv3는 여러 표적을 빠르고 정확하게 인식할 수 있습니다. YOLOv3는 입력 이미지의 전역 영역을 훈련하므로 훈련 속도가 빨라지고 대상과 배경을 더 잘 구별할 수 있습니다. 먼저 Darknet-53 백본 네트워크를 사용하여 알루미늄 프로파일의 표면 결함 특징을 추출한 다음 대상 프레임을 사용하여 대상 카테고리 및 위치를 직접 예측합니다. 알루미늄 프로파일의 표면 결함은 모양이 불규칙하고 위치가 무작위이며 크기가 다양합니다. 식별을 위해 YOLOv3 모델을 직접 적용하여 작은 결함을 정확하게 식별하는 것은 어렵습니다.
이 기사에서는 특성에 대한 심층 분석을 기반으로 YOLOv3 모델을 개선합니다. 작은 결함을 식별하는 능력을 향상시키기 위해 원래의 3-스케일 인식 구조를 4 스케일로 확장합니다. 재클러스터링 분석을 통해 알루미늄 프로파일 표면 결함에 적합한 초기 목표 프레임을 구축하고 YOLO 알고리즘의 모델 매개변수를 개선합니다. 멀티 스케일 훈련 방법을 사용하여 훈련합니다. 다양한 규모의 결함에 대한 모델의 적응성과 인식 정확도를 향상시키고 알루미늄 프로파일의 표면 결함 식별 어려움 및 낮은 정확도와 같은 문제를 해결하기 위해 프로세스를 최적화합니다.