改进Yolo V3 算法在工件缺陷检测中的应用

石振华，陈 杰

（贵州大学人民武装学院信息工程系，贵州 贵阳 550025）

1 引言

缺陷检测是工件生产过程中的重要环节之一。工件缺陷很大程度上影响了其表面质量及物理性能。随着智能制造、工业4.0等概念的相继提出，依靠人工检测的方式已无法满足企业对生产效率的需求，企业转型日益迫切[1]。基于机器视觉的检测方法是实现工件表面缺陷检测的有效途径。

现有的缺陷检测方法大都是基于传统机器学习方法。即先对图像进行滤波等预处理，经人工特征提取图像特征后再进行缺陷识别。例如，文献[2]使用Contourlet 变换将样本分解为不同方向及尺度的子带，用以形成高维特征向量，随后将降维处理后的特征向量送入SVM 分类器中进行铸坯缺陷识别，取得了优于基于Gabor 小波特征提取得到的识别方法；文献[3]针对形态复杂的工件表面缺陷难以分类问题，提出了一种基于缺陷自适应聚类的方法，该方法通过改进局部密度峰值确定聚类中心点和数目后，使用谱多流形聚类法分离缺陷并实现检测，实验结果均优于Kmeans 聚类法、普聚类法；文献[4]提出一种基于像元搜索算法的缺陷检测算法，以解决复杂背景下工件表面缺陷难以区分的问题，该方法使用改进滤波算法对图像去噪，之后以像元搜索法确定背景、初始目标及伪目标区域，取得了较高的准确度。以上方法实现过程中，样本预处理方法及特征选择将对缺陷检测质量优劣性产生影响。

近年来，深度学习网络在计算机视觉、语音识别、自然语言处理等领域取得了较大突破。……