Regressioon perustuvana kohteentunnistusalgoritmina YOLOv3 voi saavuttaa useiden kohteiden nopean ja tarkan tunnistamisen. YOLOv3 harjoittelee syötekuvan globaalia aluetta, mikä nopeuttaa harjoittelua ja mahdollistaa paremman kohteiden ja taustan erottelun. Ensin Darknet{3}}-runkoverkkoa käytetään alumiiniprofiilien pintavirheominaisuuksien poimimiseen, ja sitten kohdekehystä käytetään suoraan kohdeluokan ja -sijainnin ennustamiseen. Alumiiniprofiilien pintavirheet ovat muodoltaan epäsäännöllisiä, satunnaisia ja kooltaan vaihtelevia. Pieniä vikoja on vaikea tunnistaa tarkasti käyttämällä YOLOv3-mallia tunnistamiseen.
Tämä artikkeli parantaa YOLOv3-mallia sen ominaisuuksien perusteellisen analyysin perusteella. Laajenna alkuperäinen 3-asteikon tunnistusrakenne 4 asteikkoon parantaaksesi kykyä tunnistaa pienet viat. rakentaa alustava kohdekehys, joka soveltuu alumiiniprofiilin pintavirheille uudelleenklusterointianalyysin avulla ja parantaa YOLO-algoritmin malliparametreja; usean mittakaavan harjoittelumenetelmien käyttö koulutuksessa Prosessi on optimoitu parantamaan mallin mukautumiskykyä ja tunnistustarkkuutta eri mittakaavaisten vikojen suhteen sekä ratkaisemaan ongelmia, kuten pintavikojen tunnistamisen vaikeus ja alumiiniprofiilien alhainen tarkkuus.