电子学报 ›› 2020, Vol. 48 ›› Issue (7): 1284-1292.DOI: 10.3969/j.issn.0372-2112.2020.07.006

所属专题: 机器学习之图像处理 优秀论文(2022)

• 学术论文 • 上一篇    下一篇

基于改进YOLOv3算法的带钢表面缺陷检测

李维刚1,2, 叶欣1, 赵云涛1, 王文波3   

  1. 1. 武汉科技大学冶金自动化与检测技术教育部工程研究中心, 湖北武汉 430081;
    2. 武汉科技大学高温材料与炉衬技术国家地方联合工程研究中心, 湖北武汉 430081;
    3. 武汉科技大学理学院, 湖北武汉 430081
  • 收稿日期:2019-07-29 修回日期:2019-12-05 出版日期:2020-07-25 发布日期:2020-07-25
  • 作者简介:李维刚 男,1977年出生于湖北通城.博士,武汉科技大学信息科学与工程学院教授、博导,主要研究方向:冶金过程控制、人工智能和深度学习新方法.E-mail:liweigang.luck@foxmail.com;叶欣 男,1997年出生于湖北宜昌.武汉科技大学信息科学与工程学院硕士研究生,主要研究方向:工业过程建模与仿真、深度学习;赵云涛 男,1982年出生于内蒙古赤峰.博士,武汉科技大学信息科学与工程学院副教授,主要研究方向:计算机仿真;王文波 男,1978年出生于湖北襄阳.博士,武汉科技大学信息与计算科学系教授,主要研究方向为多尺度分析与电力系统信号处理、深度学习.
  • 基金资助:
    国家自然科学基金(No.51774219)

Strip Steel Surface Defect Detection Based on Improved YOLOv3 Algorithm

LI Wei-gang1,2, YE Xin1, ZHAO Yun-tao1, WANG Wen-bo3   

  1. 1. Engineering Research Center for Metallurgical Automation and Technology of Ministry of Education, Wuhan University of Science and Technology, Wuhan, Hubei 430081, China;
    2. National-Provincial Joint Engineering Research Center of High Temperature Materials and Lining Technology, Wuhan University of Science and Technology, Wuhan, Hubei 430081, China;
    3. College of Science, Wuhan University of Science and Technology Wuhan, Hubei 430081, China
  • Received:2019-07-29 Revised:2019-12-05 Online:2020-07-25 Published:2020-07-25

摘要: 针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题,提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数,提高先验框(priors anchor)与特征图层(feature map)的匹配度;同时,调整YOLOv3算法的网络结构,融合浅层特征与深层特征,形成新的大尺度检测图层,提高网络对带钢表面缺陷的检测精度.实验结果表明,改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%,较原有的YOLOv3算法提高了11%;同时检测速度保持在50fps,优于目前其它深度学习带钢表面缺陷检测算法.

关键词: 目标检测, 带钢表面缺陷, YOLOv3, 加权K-means

Abstract: To solve the problem of slow speed and low accuracy in the surface defect detection of hot rolled strips,an improved YOLOv3 algorithm is proposed.Firstly,the weighting K-means clustering algorithm is put forward to optimize priors anchor's parameters,which can improve the match between priors anchor and feature map.Secondly,the improved network structure of the YOLOv3 algorithm is proposed to improve the detection accuracy,whose shallow features and deep features are combined to form the new large-scale inspection layer.The experiments are carried out on the NEU-DET dataset,the results show that the average accuracy of the improved YOLOv3 algorithm is 80%,which is 11% higher than that of the original algorithm;the detection speed is 50fps,which is faster than other strip surface defect detection algorithms based on deep learning.

Key words: object detection, strip steel surface defect, YOLOv3, weighting K-means

中图分类号: