基于改进YOLOv3的钢卷端面缺陷检测应用研究

Application research of steel coil end face defect detection based on improved YOLOv3

工业生产中,现有钢卷端面缺陷检测使用的主要方法仍未人工目视检测,少量使用机器视觉传统算法进行辅助识别,效果不尽人意。近些年,有研究使用深度学习的机器视觉方法应用于钢卷断面缺陷检测,但是很多算法实际应用中难以达到理想效果。针对现有钢卷端面缺陷检测方法中存在的检测精度低,实时检测速度慢,数据量不足等问题,提出一种改进YOLOv3算法模型。该算法改进了YOLOv3的Batch Normalization层,将Batch Normalization层的参数合并到卷积层,提升模型运算速度。其次使用GIoU度量损失替代IoU边界框回归损失,提供更加准确的边界框移动方向的数据信息,提高检测精度。实验分析可得出,改进后的YOLOv3算法检测速率可达55.1Fps,比原算法提高10.8%;检测精度指标mAP可达78.15%,比原算法提高6.89%。