En tant qu'algorithme de reconnaissance de cible basé sur la régression, YOLOv3 peut réaliser une reconnaissance rapide et précise de plusieurs cibles. YOLOv3 s'entraîne sur la région globale de l'image d'entrée, ce qui accélère l'entraînement et permet une meilleure discrimination entre les cibles et l'arrière-plan. Tout d'abord, le réseau fédérateur Darknet-53 est utilisé pour extraire les caractéristiques des défauts de surface des profilés en aluminium, puis le cadre cible est utilisé pour prédire directement la catégorie et l'emplacement cibles. Les défauts de surface des profilés en aluminium sont de forme irrégulière, localisés de manière aléatoire et varient en taille. Il est difficile d'identifier avec précision les petits défauts en appliquant directement le modèle YOLOv3 pour l'identification.
Cet article améliore le modèle YOLOv3 sur la base d'une analyse approfondie de ses caractéristiques. Étendez la structure de reconnaissance d'échelle 3- originale à 4 échelles pour améliorer la capacité d'identifier les petits défauts ; construire un cadre cible initial adapté aux défauts de surface des profilés en aluminium grâce à une analyse de regroupage et améliorer les paramètres du modèle de l'algorithme YOLO ; utiliser des méthodes de formation multi-échelles pour former le processus est optimisé pour améliorer l'adaptabilité et la précision de reconnaissance du modèle aux défauts de différentes échelles, et pour résoudre des problèmes tels que la difficulté d'identification des défauts de surface et la faible précision des profilés en aluminium.