论文部分内容阅读
在智能酿酒工艺中，对酒瓶外包装进行瑕疵检测是质检环节重要的一环。本文基于改进YOLOv3目标检测算法，将其应用到酒瓶盖瑕疵检测的环节中，最终结果符合工厂生产线对瑕疵检测精度和速度的要求。该方法在YOLOv3主干Backbone网络的残差模块中引入SENet Module,应用注意力机制加强对特征的提取，在Neck特征金字塔网络中引入自适应特征融合网络（ASFF）,融合不同尺度的特征信息，提高模型的预测能力，同时引入Focus Loss损失函数解决正负样本不均衡问题，加速损失函数的收敛速度。改进后的YOLOv3-ASFL在自制酒瓶盖瑕疵数据集上mAP达到92.33%,单张图像检测时间仅为0.085 s,比原始YOLOv3在相同数据集上的mAP提升了6.59%。改进后的YOLOv3模型性能更好，符合酒瓶包装生产线对瑕疵检测的需求。