Bħala algoritmu ta 'rikonoxximent tal-mira bbażat fuq ir-rigressjoni, YOLOv3 jista' jikseb rikonoxximent rapidu u preċiż ta 'miri multipli. YOLOv3 jitħarreġ fuq ir-reġjun globali tal-immaġni tal-input, li jħaffef it-taħriġ u jippermetti diskriminazzjoni aħjar bejn il-miri u l-isfond. L-ewwel, in-netwerk tas-sinsla Darknet-53 jintuża biex jiġi estratt il-karatteristiċi tad-difetti tal-wiċċ tal-profili tal-aluminju, u mbagħad il-qafas fil-mira jintuża biex ibassar direttament il-kategorija u l-post fil-mira. Id-difetti tal-wiċċ tal-profili tal-aluminju huma irregolari fil-forma, każwali fil-post u jvarjaw fid-daqs. Huwa diffiċli li jiġu identifikati b'mod preċiż difetti żgħar billi jiġi applikat direttament il-mudell YOLOv3 għall-identifikazzjoni.
Dan l-artikolu jtejjeb il-mudell YOLOv3 ibbażat fuq analiżi fil-fond tal-karatteristiċi tiegħu. Tespandi l-istruttura oriġinali ta 'rikonoxximent tal-iskala 3-għal 4 skali biex ittejjeb il-kapaċità li tidentifika difetti żgħar; tibni qafas ta 'mira inizjali adattat għal difetti fil-wiċċ tal-profil tal-aluminju permezz ta' analiżi ta 'raggruppament mill-ġdid, u ttejjeb il-parametri tal-mudell tal-algoritmu YOLO; uża metodi ta 'taħriġ fuq skala kbira biex tħarreġ Il-proċess huwa ottimizzat biex itejjeb l-adattabilità tal-mudell u l-eżattezza tar-rikonoxximent għal difetti ta' skali differenti, u biex issolvi problemi bħal diffikultà fl-identifikazzjoni ta 'difetti tal-wiċċ u preċiżjoni baxxa tal-profili tal-aluminju.