基于改进YOLOv3的电容表面缺陷检测方法

基于在电容表面缺陷识别任务中所用方法效率低下、准确率低等问题,提出了一种改进的YOLOv3(you only look once)的电容表面缺陷检测方法。使用CIoU(Complete Intersection over Union)进行损失函数的计算,加速收敛、提高定位精度;通过Mosaic方法增强数据集,丰富检测样本;使用K-means聚类算法优化先验框,使先验框更适于解决电容表面缺陷检测问题;引入基于PANet(Path Aggregation Network)结构的特征融合层,增强语义信息与定位信息。实验结果表明,改进的YOLOv3算法的平均精度均值可以达到89.70%,与原始算法相比有4.79%的提升。相比于其他主流算法,该算法在钽电容表面缺陷检测中精度更高,且能满足实时检测的要求。

基于改进YOLOv3_iny的压敏电阻表面缺陷检测

针对当前目标检测算法网络复杂,对平台设备要求高;而轻量化网络YOLOv3_iny对压敏电阻表面缺陷的检测精度较低,容易出现漏检错检的情况,提出了基于YOLOv3_iny的改进算法DAYOLOv3_iny。DAYOLOv3_iny构建了深度可分离卷积块替代标准卷积,使用卷积操作进行下采样,使检测网络在减少网络参数量的同时增加了特征的提取;并在网络中引入了通道注意力模块和空间注意力模块,增强了检测网络对重要特征信息的学习。在自制的压敏电阻表面缺陷数据集上进行实验,结果表明,DAYOLOv3_iny的mAP值为92.23%,较改进前提升了12.25%;改进后的DAYOLOv3_iny模型大小为YOLOv3_iny的55.42%,仅18.9 MB。实验表明,DAYOLOv3_iny对压敏电阻表面缺陷的检测精度较高,能够有效改善漏检错检的情况,且网络模型较小,对硬件平台要求不高,易于在性能受限的平台部署。