為了滿足工業(yè)上對織物缺陷檢測的實時性要求,提出一種基于S-YOLOV3（Slimming You Only Look Once Version 3）模型的織物實時缺陷檢測算法。首先使用K均值聚類算法確定目標先驗框,以適應不同尺寸的缺陷;然后預訓練YOLOV3模型得到權重參數(shù),利用批歸一化層中的縮放因子γ評估每個卷積核的權重,將權重值低于閾值的卷積核進行剪枝以得到S-YOLOV3模型,實現(xiàn)模型壓縮和加速;最后對剪枝后的網絡進行微調以提高模型檢測的準確率。實驗結果表明:對于不同復雜紋理的織物,所提模型都能準確檢測,且平均精度均值達到94%,剪枝后檢測速度提高到55FPS,所得的準確率與實時性均滿足工業(yè)上的實際需求。 

【文章來源】：激光與光電子學進展. 2020,57(16)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

S-YOLOV3模型識別織物缺陷的流程

Darknet53的結構

網絡層數(shù)的加深提升了網絡特征的提取能力，但這會使模型預測的耗時更長。在YOLOV3模型的基礎上提出S-YOLOV3模型，通過減少參數(shù)的數(shù)量，刪除深度網絡中的冗余特征，極大地縮減了模型尺寸，提高了檢測速度。S-YOLOV3模型訓練流程如圖3所示。實驗在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層的轉換公式為

【參考文獻】：
期刊論文
[1]一種基于深層次多尺度特征融合CNN的SAR圖像艦船目標檢測算法[J]. 楊龍,蘇娟,黃華,李響.  光學學報. 2020(02)
[2]多紋理分級融合的織物缺陷檢測算法[J]. 朱浩,丁輝,尚媛園,邵珠宏.  紡織學報. 2019(06)
[3]改進的YOLO V3算法及其在小目標檢測中的應用[J]. 鞠默然,羅海波,王仲博,何淼,常錚,惠斌.  光學學報. 2019(07)
[4]應用GAN和Faster R-CNN的色織物缺陷識別[J]. 李明,景軍鋒,李鵬飛.  西安工程大學學報. 2018(06)
[5]自動光學(視覺)檢測技術及其在缺陷檢測中的應用綜述[J]. 盧榮勝,吳昂,張騰達,王永紅.  光學學報. 2018(08)
[6]應用深度卷積神經網絡的色織物缺陷檢測[J]. 景軍鋒,范曉婷,李鵬飛,洪良.  紡織學報. 2017(02)



本文編號：3598013