如需要完整文档点击下方 "点击下载文档" 按钮

目的 提升自动化产线上工件表面微小缺陷的检测精度和检测速度。方法 首先，在预处理阶段提出采用CutMix的数据增强方法，增加训练样本的多样性，提高模型的鲁棒性和泛化能力，避免训练模型产生过拟合;使用K–means++聚类算法生成边界候选框，以适应不同尺寸的缺陷，并较早地筛选出更精细的特征。其次，借助CSP Darknet53网络及SPP模块提取输入原始图像的特征，通过训练获得针对工件表面质量的在线检测模型，提升YOLOV4缺陷位置检测及识别的精度。结果 实验结果表明，文中所提出的基于YOLOV4的工件表面质量在线监测方法的预测精度达到97.5%，检测速度达到32.8 帧/s，均优于同类的深度学习算法。以贵州某航空工业产品的自动化产线作为实验平台验证了所提方法的可行性和有效性。结论 该方法具备结构简单清晰、自适应性强等优点，检测精度和速度均满足工业场景需求，可以将其用于产品表面质量的在线检测。

如需要完整文档点击下方 "点击下载文档" 按钮

《基于YOLOV4的工件表面质量在线检测方法研究》

将 完整文档 下载到本地，方便收藏和查阅

文件号：228165

点击下载文档