Als een op regressie gebaseerd doelherkenningsalgoritme kan YOLOv3 een snelle en nauwkeurige herkenning van meerdere doelen bereiken. YOLOv3 traint op de mondiale regio van het invoerbeeld, wat de training versnelt en een beter onderscheid tussen doelen en achtergrond mogelijk maakt. Eerst wordt het Darknet-53-backbonenetwerk gebruikt om de oppervlaktedefectkenmerken van aluminiumprofielen te extraheren, en vervolgens wordt het doelframe gebruikt om de doelcategorie en -locatie direct te voorspellen. De oppervlaktedefecten van aluminiumprofielen zijn onregelmatig van vorm, willekeurig van locatie en variëren in grootte. Het is moeilijk om kleine defecten nauwkeurig te identificeren door het YOLOv3-model direct voor identificatie toe te passen.
Dit artikel verbetert het YOLOv3-model op basis van een diepgaande analyse van de kenmerken ervan. Breid de oorspronkelijke 3-schaalherkenningsstructuur uit naar vier schalen om het vermogen om kleine defecten te identificeren te verbeteren; een initieel doelframe construeren dat geschikt is voor oppervlaktedefecten van aluminiumprofielen door middel van herclusteringsanalyse, en de modelparameters van het YOLO-algoritme verbeteren; gebruik trainingsmethoden op meerdere schalen om te trainen. Het proces is geoptimaliseerd om het aanpassingsvermogen en de herkenningsnauwkeurigheid van het model voor defecten van verschillende schalen te verbeteren, en om problemen op te lossen zoals problemen bij het identificeren van oppervlaktedefecten en de lage nauwkeurigheid van aluminiumprofielen.