.png){kind=icon}
返回
A fast surface-defect detection method based on Dense-YOLO network
.png){kind=icon}
OA
AI
DOI：10.1049/cit2.12407.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高效检测表面缺陷是确保制造过程中产品质量的首要任务。为提升深度学习方法在实际应用中的性能，作者提出了Dense-YOLO，一种结合DenseNet和you only look once version 3（YOLOv3）优势的快速表面缺陷检测网络。作者设计了一种轻量级骨干网络，采用改进的密集连接块，优化浅层特征利用的同时保持高检测速度。此外，作者优化了YOLOv3的特征金字塔网络，以提升微小缺陷的召回率和整体定位精度。进一步地，基于归一化互相关引入了在线多角度模板匹配技术，以精确定位检测区域。该改进的模板匹配方法不仅加速了检测速度，还减轻了背景的影响。为验证所提改进的有效性，作者在两个私有数据集和一个公开数据集上进行了对比实验。结果表明，Dense-YOLO在平均精度均值（mAP）和检测速度方面优于现有方法，如faster R-CNN、YOLOv3、YOLOv5s、YOLOv7和SSD。此外，Dense-YOLO在mAP上还优于源自VGG和ResNet的网络，包括改进的faster R-CNN、FCOS、M2Det-320和FRCN。
Keyword:
deep learning
object classification
期刊
IF:
7.3
论文数:
671
被引数:
2.4K
机构
引用论文
.png){kind=icon}
Automatic Defect Detection of Fasteners on the Catenary Support Device Using Deep Convolutional Neural Network基于深度卷积神经网络的接触网支撑装置紧固件缺陷自动检测
OAAI
OAAI分享收藏An End-to-End Steel Surface Defect Detection Approach via Fusing Multiple Hierarchical Features融合多个层次特征的端到端钢表面缺陷检测方法OAAI
OAAI分享收藏
查看更多内容