為了滿足工業(yè)上對(duì)織物缺陷檢測(cè)的實(shí)時(shí)性要求,提出一種基于S-YOLOV3（Slimming You Only Look Once Version 3）模型的織物實(shí)時(shí)缺陷檢測(cè)算法。首先使用K均值聚類算法確定目標(biāo)先驗(yàn)框,以適應(yīng)不同尺寸的缺陷;然后預(yù)訓(xùn)練YOLOV3模型得到權(quán)重參數(shù),利用批歸一化層中的縮放因子γ評(píng)估每個(gè)卷積核的權(quán)重,將權(quán)重值低于閾值的卷積核進(jìn)行剪枝以得到S-YOLOV3模型,實(shí)現(xiàn)模型壓縮和加速;最后對(duì)剪枝后的網(wǎng)絡(luò)進(jìn)行微調(diào)以提高模型檢測(cè)的準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明:對(duì)于不同復(fù)雜紋理的織物,所提模型都能準(zhǔn)確檢測(cè),且平均精度均值達(dá)到94%,剪枝后檢測(cè)速度提高到55FPS,所得的準(zhǔn)確率與實(shí)時(shí)性均滿足工業(yè)上的實(shí)際需求。 

【文章來源】：激光與光電子學(xué)進(jìn)展. 2020,57(16)北大核心CSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

S-YOLOV3模型識(shí)別織物缺陷的流程

Darknet53的結(jié)構(gòu)

網(wǎng)絡(luò)層數(shù)的加深提升了網(wǎng)絡(luò)特征的提取能力，但這會(huì)使模型預(yù)測(cè)的耗時(shí)更長(zhǎng)。在YOLOV3模型的基礎(chǔ)上提出S-YOLOV3模型，通過減少參數(shù)的數(shù)量，刪除深度網(wǎng)絡(luò)中的冗余特征，極大地縮減了模型尺寸，提高了檢測(cè)速度。S-YOLOV3模型訓(xùn)練流程如圖3所示。實(shí)驗(yàn)在BN層中引入卷積核的γ和平移參數(shù)β，并將BN層的γ作為YOLOV3模型剪枝的縮放因子，BN層的轉(zhuǎn)換公式為

【參考文獻(xiàn)】：
期刊論文
[1]一種基于深層次多尺度特征融合CNN的SAR圖像艦船目標(biāo)檢測(cè)算法[J]. 楊龍,蘇娟,黃華,李響.  光學(xué)學(xué)報(bào). 2020(02)
[2]多紋理分級(jí)融合的織物缺陷檢測(cè)算法[J]. 朱浩,丁輝,尚媛園,邵珠宏.  紡織學(xué)報(bào). 2019(06)
[3]改進(jìn)的YOLO V3算法及其在小目標(biāo)檢測(cè)中的應(yīng)用[J]. 鞠默然,羅海波,王仲博,何淼,常錚,惠斌.  光學(xué)學(xué)報(bào). 2019(07)
[4]應(yīng)用GAN和Faster R-CNN的色織物缺陷識(shí)別[J]. 李明,景軍鋒,李鵬飛.  西安工程大學(xué)學(xué)報(bào). 2018(06)
[5]自動(dòng)光學(xué)(視覺)檢測(cè)技術(shù)及其在缺陷檢測(cè)中的應(yīng)用綜述[J]. 盧榮勝,吳昂,張騰達(dá),王永紅.  光學(xué)學(xué)報(bào). 2018(08)
[6]應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)的色織物缺陷檢測(cè)[J]. 景軍鋒,范曉婷,李鵬飛,洪良.  紡織學(xué)報(bào). 2017(02)



本文編號(hào)：3598013