基于S-YOLOV3模型的织物实时缺陷检测算法

发布时间：2022-01-20 02:36

　　为了满足工业上对织物缺陷检测的实时性要求,提出一种基于S-YOLOV3（Slimming You Only Look Once Version 3）模型的织物实时缺陷检测算法。首先使用K均值聚类算法确定目标先验框,以适应不同尺寸的缺陷;然后预训练YOLOV3模型得到权重参数,利用批归一化层中的缩放因子γ评估每个卷积核的权重,将权重值低于阈值的卷积核进行剪枝以得到S-YOLOV3模型,实现模型压缩和加速;最后对剪枝后的网络进行微调以提高模型检测的准确率。实验结果表明:对于不同复杂纹理的织物,所提模型都能准确检测,且平均精度均值达到94%,剪枝后检测速度提高到55FPS,所得的准确率与实时性均满足工业上的实际需求。 

【文章来源】：激光与光电子学进展. 2020,57(16)北大核心CSCD

【文章页数】：9 页

【部分图文】：

S-YOLOV3模型识别织物缺陷的流程

Darknet53的结构

网络层数的加深提升了网络特征的提取能力，但这会使模型预测的耗时更长。在YOLOV3模型的基础上提出S-YOLOV3模型，通过减少参数的数量，删除深度网络中的冗余特征，极大地缩减了模型尺寸，提高了检测速度。S-YOLOV3模型训练流程如图3所示。实验在BN层中引入卷积核的γ和平移参数β，并将BN层的γ作为YOLOV3模型剪枝的缩放因子，BN层的转换公式为

【参考文献】：
期刊论文
[1]一种基于深层次多尺度特征融合CNN的SAR图像舰船目标检测算法[J]. 杨龙,苏娟,黄华,李响.  光学学报. 2020(02)
[2]多纹理分级融合的织物缺陷检测算法[J]. 朱浩,丁辉,尚媛园,邵珠宏.  纺织学报. 2019(06)
[3]改进的YOLO V3算法及其在小目标检测中的应用[J]. 鞠默然,罗海波,王仲博,何淼,常铮,惠斌.  光学学报. 2019(07)
[4]应用GAN和Faster R-CNN的色织物缺陷识别[J]. 李明,景军锋,李鹏飞.  西安工程大学学报. 2018(06)
[5]自动光学(视觉)检测技术及其在缺陷检测中的应用综述[J]. 卢荣胜,吴昂,张腾达,王永红.  光学学报. 2018(08)
[6]应用深度卷积神经网络的色织物缺陷检测[J]. 景军锋,范晓婷,李鹏飞,洪良.  纺织学报. 2017(02)



本文编号：3598013