基于改进YOLOv3-tiny的织物表面小目标瑕疵检测

作者：袁华清; 刘桂华^*; 王娅琼

来源：制造业自动化, 2022, 44(12): 172-176.

• YOLOv3-tiny
• 织物瑕疵检测
• 注意力机制
• 深度学习

为满足纺织业对织物瑕疵检测自动化的需求，针对传统瑕疵目标检测方法在复杂背景下小目标检测效果差、漏检率高等问题，提出了一种基于改进YOLOv3-tiny网络的织物瑕疵检测算法模型。模型首先在原始框架的基础上，增添了融合浅层和深层特征的第三预测层，通过多尺度的特征层融合提升小目标检测能力；其次在网络输出前使用了基于CBAM的混合注意力机制和数个卷积模块，在提升瑕疵目标权重和网络深度的同时，降低无关背景权重，提高模型的抗干扰能力和准确度；另外针对织物瑕疵目标检测的特定应用，利用K-means方法对锚框进行了重新聚类。实验结果表明，与原始YOLOv3-tiny相比，改进的方法平均检测准确率增加了7.3%，在复杂背景下小目标检测子集上，提升了20.5%；与传统深度学习算法YOLOv3相比，改进方法模型内存仅占其22.6%，检测时间减少一半，因此模型具有较好的瑕疵识别效果和应用价值。

• 单位
  西南科技大学