来源：期刊VIP网 时间：
作者：章曙光;刘洋;张文韬;王浩;
单位：安徽建筑大学电子与信息工程学院;安徽建筑大学信息网络中心;
摘要：深度学习网络模型参数量大，不适用于嵌入式或移动设备上。针对工业钢材生产过程中的实时检测问题，提出了一种改进的R-Tiny-YOLOv3工业钢材瑕疵检测算法。首先，在Tiny-YOLOv3结构中加入残差网络结构，提高检测的精度。增加了空间金字塔SPP网络模块，提高网络特征提取能力。结合不同网络层的特征信息，将检测提高到三个尺度。然后，选取CIOU作为损失函数，使目标检测框的回归更加稳定。最后对数据集进行数据增强，并在Cambricon 1H8嵌入式平台进行测试。实验结果表明改进的R-Tiny-YOLOv3算法能够实时地检测出瑕疵目标，平均准确率提高了10.8%，运算速度可达39.8帧/s，为工业钢材瑕疵检测的嵌入式应用提供了参考。
关键词：瑕疵检测;;卷积神经网络;;Tiny-YOLOv3网络;;空间金字塔池化;;残差网络
基金资助：赛尔网络下一代互联网创新项目（NGII20190602）;; 安徽省教育厅自然科学重点项目（KJ2016A155）;; 赛尔网络下一代互联网技术创新项目（NGII20170117）
