Kā uz regresiju balstīts mērķa atpazīšanas algoritms YOLOv3 var panākt ātru un precīzu vairāku mērķu atpazīšanu. YOLOv3 trenējas ievades attēla globālajā reģionā, kas paātrina apmācību un ļauj labāk atšķirt mērķus un fonu. Pirmkārt, Darknet-53 pamattīkls tiek izmantots, lai iegūtu alumīnija profilu virsmas defektu pazīmes, un pēc tam mērķa rāmis tiek izmantots, lai tieši paredzētu mērķa kategoriju un atrašanās vietu. Alumīnija profilu virsmas defekti ir neregulāras formas, nejauši izvietoti un dažāda izmēra. Ir grūti precīzi noteikt nelielus defektus, tieši izmantojot YOLOv3 modeli identifikācijai.
Šis raksts uzlabo YOLOv3 modeli, pamatojoties uz tā īpašību padziļinātu analīzi. Paplašiniet sākotnējo 3-mēroga atpazīšanas struktūru līdz 4 skalām, lai uzlabotu spēju identificēt nelielus defektus; konstruēt sākotnējo mērķa rāmi, kas piemērots alumīnija profila virsmas defektiem, izmantojot atkārtotas klasterizācijas analīzi, un uzlabot YOLO algoritma modeļa parametrus; izmantot daudzpakāpju apmācības metodes, lai apmācītu Process ir optimizēts, lai uzlabotu modeļa pielāgošanās spēju un atpazīšanas precizitāti dažāda mēroga defektiem, kā arī atrisinātu tādas problēmas kā virsmas defektu identificēšanas grūtības un alumīnija profilu zemā precizitāte.