Като алгоритъм за разпознаване на цели, базиран на регресия, YOLOv3 може да постигне бързо и точно разпознаване на множество цели. YOLOv3 тренира върху глобалната област на входното изображение, което ускорява обучението и позволява по-добра дискриминация между целите и фона. Първо, опорната мрежа Darknet-53 се използва за извличане на характеристиките на повърхностните дефекти на алуминиевите профили, а след това целевата рамка се използва за директно прогнозиране на целевата категория и местоположение. Повърхностните дефекти на алуминиевите профили са с неправилна форма, произволно разположени и различни по размер. Трудно е да се идентифицират точно малки дефекти чрез директно прилагане на модела YOLOv3 за идентификация.
Тази статия подобрява модела YOLOv3 въз основа на задълбочен анализ на неговите характеристики. Разширете оригиналната 3-структура за разпознаване на скали до 4 скали, за да подобрите способността за идентифициране на малки дефекти; конструиране на първоначална целева рамка, подходяща за повърхностни дефекти на алуминиев профил чрез анализ на повторно групиране и подобряване на параметрите на модела на алгоритъма YOLO; използвайте многомащабни методи за обучение за обучение. Процесът е оптимизиран за подобряване на адаптивността на модела и точността на разпознаване на дефекти от различни мащаби и за решаване на проблеми като трудност при идентифициране на повърхностни дефекти и ниска точност на алуминиевите профили.