摘要
针对硬币表面缺陷较小,形状多变且易与背景混淆不易检出的问题,改进YOLOv3算法提出基于可变形卷积和自适应空间特征融合的硬币表面缺陷检测算法DCA-YOLO。首先,由于缺陷形状多变设计了3种在主干网络中不同位置添加可变形卷积模块的网络结构,通过卷积学习偏移量和调节参数来提高缺陷的提取能力。然后,使用自适应空间特征融合网络学习权重参数来调整不同尺度特征图中各像素点的贡献度以更好地适应不同尺度目标。最后,改进先验框比例,动态调节类别权重,优化对比网络性能提出在主干网络输出特征进行多尺度融合的上采样前增加可变形卷积的模型网络。实验证明提出的DCA-YOLO算法检测精度接近Faster-RCNN达到92.8%,对比YOLOv3在硬币缺陷数据集上的检测速度基本持平,在检测精度mAP上提高了2.9%,F1提升了3.2%。
-
单位中国科学院大学; 深圳市中钞科信金融科技有限公司; 中国科学院成都计算机应用研究所