徐 鏹，朱洪錦，范洪輝，周紅燕，余光輝

1.江蘇理工學院 機械工程學院，江蘇 常州 213001

2.江蘇理工學院 計算機工程學院，江蘇 常州 213001

1 引言

隨著工業(yè)技術(shù)的發(fā)展，自動化缺陷檢測的研究越來越受到人們的重視。當鋼板或零件表面存在一些瑕疵和缺陷，如磨損、裂紋、碰傷、麻點、劃傷和變形等，將會導致機器使用過程中產(chǎn)生不正常的振動和噪聲，加快缺陷面與空氣接觸后進一步的氧化與磨損，嚴重時甚至會引起機器的損壞和一些事故性的人員傷亡情況。而傳統(tǒng)的人工裸眼檢測，存在勞動強度大、工作效率低、產(chǎn)品成本較高的問題，且容易受到檢測人員在員工素質(zhì)、檢測經(jīng)驗、肉眼分辨率和眼部易疲勞等諸多因素影響[1]。因此，許多人提出了各種檢測表面缺陷的方法，具體可以分為兩類：傳統(tǒng)機器視覺檢測法和深度學習檢測法。

傳統(tǒng)機器視覺檢測法是先利用工業(yè)相機采集圖像，經(jīng)過傳統(tǒng)圖像方法處理后，再利用機器學習方法得到想要的結(jié)果。例如郭慧等人[2]提出了由計算機算法處理得到缺陷的特征樣本，再利用支持向量機（SVM）模型對鋼板表面缺陷進行類型識別。例如汪以歆等人[3]利用基于機器視覺的比對檢測算法，來檢測物體表面缺陷。這些方法的優(yōu)點是速度快，對特定缺陷精度高，但受光照和人為影響較大，對圖片特征提取能力弱，應用面小。

近年來，國家鼓勵大力發(fā)展人工智能技術(shù)，深度學習的一系列方法也被引入到表面缺陷檢測中。深度學習能夠通過卷積神經(jīng)網(wǎng)絡提取缺陷圖片的特征并進行學習，再將學習后的模型應用到相似缺陷的檢測中，精度高，速度快，且能夠適應不同類型的缺陷。比較流行的深度學習算法可以分為兩類：一類是Faster-RCNN[4]、Mask-RCNN[5]等基于區(qū)域的目標檢測算法，這類算法雖然精度高，但由于其將缺陷特征提取、缺陷區(qū)域建議網(wǎng)絡、缺陷邊界框回歸和缺陷分類整合在一個網(wǎng)絡中，導致速度很慢，實時性不能保證。另一類是SSD[6]、YOLO[7]等利用回歸思想直接標出目標所在圖片位置和類別的算法，這類算法很大程度上彌補了基于區(qū)域的算法，在速度上有很大的提升，精度上略微降低，有很大的應用前景。例如張廣世等人[8]采用密集連接網(wǎng)絡（DenseNet）結(jié)構(gòu)代替原有的網(wǎng)絡結(jié)構(gòu)，提高特征提取能力，取得了不錯的缺陷檢測能力。

本文也將使用深度學習的方法對鋼板表面缺陷進行檢測，對YOLOv3[9]整體網(wǎng)絡進行改進，使用輕量級MobileNet[10]網(wǎng)絡代替原有模型中的Darknet-53網(wǎng)絡，以減小網(wǎng)絡參數(shù)量；構(gòu)建齒輪缺陷數(shù)據(jù)集并進行數(shù)據(jù)增強以防止過擬合；加入空洞卷積來提高對于小尺寸缺陷的檢測能力；利用Inceptionv3[11]結(jié)構(gòu)增加網(wǎng)絡深度和寬度的同時減少參數(shù)。本文整體結(jié)構(gòu)分為以下四大部分：網(wǎng)絡原理介紹，網(wǎng)絡結(jié)構(gòu)改進，實驗結(jié)果分析和改進討論。

2 YOLOv3網(wǎng)絡原理介紹

YOLOv3[9]是基于 YOLO[7]和 YOLOv2[12]算法 改 進而來。

YOLO網(wǎng)絡不同于Faster-RCNN[4]等網(wǎng)絡，而是將目標檢測問題轉(zhuǎn)化成邏輯回歸問題，將圖像分割成不同網(wǎng)格，每個網(wǎng)格負責相應的物體，使得支持多標簽對象在保持精度下，檢測速度更快。

YOLOv3 采用了Darknet-53 的網(wǎng)絡結(jié)構(gòu)作為圖像特征提取主干網(wǎng)絡，它是借鑒殘差網(wǎng)絡ResNe（tResidual Network）[13]的做法，在層與層之間設(shè)置快捷鏈路，適當?shù)靥^卷積，解決了在逐步加深網(wǎng)絡時出現(xiàn)模型難以優(yōu)化的問題，這樣可以提取出更多圖像上的特征。YOLOv3摒棄了YOLOv2采用pass-through結(jié)構(gòu)來檢測細粒度特征，而使用特征金字塔（FPN）的多尺度檢測方法，結(jié)合殘差網(wǎng)絡將圖片轉(zhuǎn)化成三個不同尺度的特征圖來檢測大中小三類物體。YOLOv3的網(wǎng)絡結(jié)構(gòu)如圖1所示。

圖1 YOLOv3網(wǎng)絡結(jié)構(gòu)圖

由于越卷積圖像表征信息丟失越多，YOLOv3吸取了YOLOv2采用K-means聚類得到先驗框的尺寸，為每種下采樣尺度設(shè)定3 種先驗框，總共聚類出9 種尺寸的先驗框，分別為（10×13），（16×30），（33×23），（30×61），（62×45），（59×119），（116×90），（156×198），（373×326）。在最小的13×13特征圖Scale1上應用（116×90），（156×198），（373×326）檢測較大的物體。在中等26×26特征圖Scale2 上應用中等的先驗框（30×61），（62×45），（59×119）來檢測中等大小的對象。而在最大的52×52特征圖Scale3上采用（10×13），（16×30），（33×23）檢測較小的物體位置。

3 網(wǎng)絡的改進

為了使網(wǎng)絡在減小網(wǎng)絡參數(shù)的同時保持精度，并提升實時性，對原網(wǎng)絡做了以下調(diào)整，主要包括三點修改。

3.1 加入各類版本的MobileNet網(wǎng)絡

由于YOLOv3 仿照ResNet-53 結(jié)構(gòu)提出Darknet-53網(wǎng)絡，雖然可以提取有效的特征信息，但該網(wǎng)絡結(jié)構(gòu)復雜，導致參數(shù)過于復雜，從而在實用性上并不理想。因此利用MobileNet可以有效地減少參數(shù)的同時獲得一定的精度。

3.1.1 使用MobileNetv1作為主干網(wǎng)絡

MobileNetv1[10]由谷歌在2017 年提出，用于將CNN網(wǎng)絡輕量化，使之可以轉(zhuǎn)嫁于移動設(shè)備或者嵌入式設(shè)備中，其中亮點為提出了深度可分離卷積（Depthwise Separable Convolution）。深度可分離卷積是將傳統(tǒng)卷積分為Depthwise 卷積和Pointwise 卷積兩步。假設(shè)用DK×DK表示卷積核尺寸，用DF×DF表示輸入的特征圖尺寸，分別用M、N表示輸入和輸出的通道數(shù)，當步長為1且存在padding時，傳統(tǒng)卷積的計算總量是：

而深度可分離卷積計算量為：

兩者相互比較，計算量縮小為原來的：

MobileNetv1采用Relu6作為激活函數(shù)，圖2是傳統(tǒng)卷積，圖3是深度可分離卷積。使用更多的Relu6，既增加了模型的非線性變化，又提高了模型的泛化能力。改進YOLOv3網(wǎng)絡中Conv2D均采用Relu6函數(shù)。

圖2 傳統(tǒng)卷積

圖3 深度可分離卷積

參考Darknet-53將MobileNetv1網(wǎng)絡分割成三塊不同特征提取圖，第一個提取層提取出52×52×256特征圖用于檢測較小物體，第二個提取層提取出26×26×512特征圖用于檢測中等物體，第三個提取層提取出13×13×1 024特征圖用于檢測較大物體。保證精度的同時又提高了網(wǎng)絡的實時性。

3.1.2 使用MobileNetv2作為主干網(wǎng)絡

MobileNetv2[14]是在 MobileNetv1 上做的改進，是在2018 年提出來的，相對于MobileNetv1 主要做了兩點改進：

（1）雖然MobileNetv2和MobileNetv1都是采用DW（Depth-wise）卷積搭配PW（Point-wise）卷積的方式來提取特征，但為了避免Relu對特征的破壞，MobileNetv2在DW 卷積前面加入了一個PW 卷積并且去掉了第二個PW的卷積，即線性瓶頸（Linear Bottlenecks）結(jié)構(gòu)。

（2）參考ResNet的結(jié)構(gòu)設(shè)計出了逆殘差結(jié)構(gòu)（Inverted residuals），在3×3網(wǎng)絡結(jié)構(gòu)前利用1×1卷積升維，在3×3網(wǎng)絡結(jié)構(gòu)后再利用1×1卷積降維。先進行擴張，再進行壓縮。

3.1.3 使用MobileNetv3作為主干網(wǎng)絡

MobileNetv3[15]是MobileNet 的最新版本，是在2019年提出來的，作為輕量級網(wǎng)絡它的參數(shù)量還是一如既往地小。作為第三版的它主要綜合了以下特點：

（1）吸收以前版本的優(yōu)點，結(jié)合使用了Mobilenetv1的深度可分離卷積和Mobilenetv2的具有線性瓶頸的逆殘差結(jié)構(gòu)。

（2）引入了MnasNet[16]中基于擠壓和激勵（Squeeze and Excitation）結(jié)構(gòu)的輕量級注意力模型，可以更好地調(diào)整每個通道的權(quán)重。

（3）發(fā)現(xiàn)swish 激活函數(shù)能夠有效提高網(wǎng)絡的精度，表示如下：

然而，由于swish的計算量太大，提出了h-swish（hard version of swish）公式表示如下：

如圖4所示，這兩個函數(shù)從函數(shù)圖像上可以看出兩者之間很相似。

圖4 swish和h-swish曲線圖

3.2 引用空洞卷積

空洞卷積是在標準的卷積核中注入空洞，以此來增加特征圖的感受野。圖5 是傳統(tǒng)卷積運算，圖6 是空洞卷積運算。可以明顯地看出空洞卷積既可以擴大感受野，也使卷積時捕獲了多尺度的上下文信息，更利于缺陷部位的檢測。在改進的YOLOv3 網(wǎng)絡中加入一個超參數(shù)稱之為dilation rate（膨脹率），在第一個特征提取圖上加入1 倍的rate，在第二個特征提取圖上加入2 倍的rate，在第三個特征提取圖上加入4 倍的rate，以此使圖片缺陷部位更加明顯。

圖5 傳統(tǒng)卷積運算

圖6 空洞卷積運算

3.3 加入Inceptionv3結(jié)構(gòu)

Inceptionv3[11]模型是谷歌Inception 模型的第三代，其模型結(jié)構(gòu)與Inceptionv2模型發(fā)表在同一篇論文里，兩者模型結(jié)構(gòu)差距不大，相比其他神經(jīng)網(wǎng)絡模型，Inception模型最大的特點在于將神經(jīng)網(wǎng)絡層與層之間的卷積運算進行了拓展。Inception 網(wǎng)絡采用不同大小的卷積核卷積，使得網(wǎng)絡層存在不同大小的感受視野，最后拼接起來達到不同尺度的特征融合。結(jié)合Inceptionv3 中三種模型，將YOLOv3原網(wǎng)絡最后一層中Conv2D 3×3卷積改為Inception 3×3 卷積結(jié)構(gòu)。主要利用1×3 的卷積和3×1 的卷積代替原有的3×3 卷積，再利用兩個1×1 卷積融合后得到Inception結(jié)構(gòu)，相對于以前網(wǎng)絡的數(shù)據(jù)參數(shù)量有大幅度的減小。其結(jié)構(gòu)如圖7所示。

圖7 修改Inceptionv3結(jié)構(gòu)圖

3.4 修改后網(wǎng)絡總結(jié)構(gòu)圖

結(jié)合以上特點得到三種修改的YOLOv3 網(wǎng)絡結(jié)構(gòu)如圖8所示。

YOLOv3-mobileNetv2 結(jié)構(gòu)和YOLOv3-MobileNetv3結(jié)構(gòu)只需仿照YOLOv3-MobileNetv1 結(jié)構(gòu)選取其中的三個尺度即可，圖9 和圖10 為 YOLOv3-MobileNetv2 網(wǎng)絡與YOLOv3-MobileNetv3網(wǎng)絡結(jié)構(gòu)的簡略版本。

4 實驗結(jié)果與分析

4.1 實驗平臺

圖8 YOLOv3-MobileNetv1結(jié)構(gòu)修改圖

本實驗在Windows10 操作系統(tǒng)下完成。計算機CPU 為i7 9700；內(nèi)存為16 GB；GPU 為RTX2070s，其顯存為8 GB；運行軟件為Anaconda3.6 平臺下的VScode（Visual Studio Code）；Python版本為3.6.4；安裝了Cuda10.0和Cudnn7.5.1 幫助GPU 進行加速運算，同時在軟件中安裝 Tensorflow1.13.1、Opencv4.1 和 Numpy1.14.2 等一系列的第三方的庫來支持代碼的運行。

4.2 數(shù)據(jù)集

4.2.1 數(shù)據(jù)選擇

本實驗選用德國DAGM 鋼板表面缺陷數(shù)據(jù)集，該數(shù)據(jù)集總共有10 大類缺陷，有訓練集和測試集。選取其中三類缺陷中的訓練集用于訓練，將碰傷命名為class1、麻點命名為class2，并將劃傷命名為class3，每類1 150張圖片（含缺陷150張），共計3 450張圖片。由于圖片為512×512 png格式，不利于訓練，用代碼將圖片分批次轉(zhuǎn)換成416×416 jpg 格式，用于神經(jīng)網(wǎng)絡的訓練。所有圖片中3 000張完好，450張圖片存在缺陷，將其打亂順序放入同一個文件夾，再按照訓練集和測試集9∶1的比例，選出前3 105張作為訓練集，后345張作為測試集。

圖9 YOLOv3-MobileNetv2結(jié)構(gòu)修改圖

圖10 YOLOv3-MobileNetv3（large）結(jié)構(gòu)修改圖

4.2.2 數(shù)據(jù)標注

數(shù)據(jù)集的標注比較耗費時間和專注力，需要獲得數(shù)據(jù)集圖片的各種缺陷信息?？梢岳胠abelImg 軟件對圖片進行人工標注，將圖片的長寬和深度，缺陷框的xmin、ymin、xmax和ymax等信息存入到.xml文件中，適用于神經(jīng)網(wǎng)絡的訓練。將訓練集和測試集中存在缺陷的450 張圖片進行數(shù)據(jù)標注，生成.xml 文件，最后利用格式轉(zhuǎn)換程序得到包含圖片路徑、名稱、缺陷框標簽和位置的.txt訓練文件。

4.3 模型訓練

按照修改部分改進網(wǎng)絡，從而完成網(wǎng)絡搭建，實驗一共訓練4個網(wǎng)絡模型：YOLOv3，YOLOv3-MobileNetv1，YOLOv3-MobileNetv2，YOLOv3-MobileNetv3。每個網(wǎng)絡訓練800 epochs（輪次），共計約22小時。每個網(wǎng)絡使用如下方法訓練：先將網(wǎng)絡的最初學習率調(diào)為0.01，batch_size（一次訓練所選取的樣本量，其大小影響模型優(yōu)化和速度，根據(jù)網(wǎng)絡參數(shù)和GPU內(nèi)存大小進行調(diào)整）調(diào)為8，讓loss（損失值）大范圍下降訓練300 epochs，得到初始loss值。再將學習率調(diào)低至0.001，讓loss適當范圍浮動訓練300 epochs，最后將學習率調(diào)至0.000 1，讓loss 小范圍浮動訓練200 epochs 得到最終的訓練集損失值。圖11 為YOLOv3-MobileNetv3 訓練集的每輪epochs下loss下降圖，橫坐標為epochs值，縱坐標為loss值；圖中的（1）和（2）為截取部分epochs放大圖。

圖11 YOLOv3-MobileNetv3的網(wǎng)絡訓練損失函數(shù)變化圖

由圖11（1）和（2）可以看出網(wǎng)絡YOLOv3-MobileNetv3在50 epochs到200 epochs時下降很快，在400 epochs到600 epochs時趨于穩(wěn)定，loss值在4.0到3.0之間，說明神經(jīng)網(wǎng)絡訓練是有一定效果的，再調(diào)低學習率對訓練效果影響不大，網(wǎng)絡最終收斂在3.1左右。

重復使用以上方法訓練的YOLOv3-MobileNetv1最終 loss 為 3.2，YOLOv3-MobileNetv2 最終 loss 為 3.4。由于YOLOv3 采用Darknet-53 結(jié)構(gòu)，導致參數(shù)量較大，顯存容量不夠，只能將三次的batch_size縮小，都調(diào)整成4，訓練得到的loss為4.1。得到的權(quán)重文件大小與訓練時間如表1所示。

表1 網(wǎng)絡權(quán)重文件和訓練時間對比表

由表1 可知，在加入了MobileNet 類的結(jié)構(gòu)作為主干網(wǎng)絡，并用Inceptionv3 減小參數(shù)總量后，使權(quán)重文件比原先縮小了約88%，訓練時間也縮短了一大半。更小的權(quán)重文件意味著更簡單精巧的網(wǎng)絡結(jié)構(gòu)可以移植到性能差一點的移動端平臺上，在不丟失精度的情況下也可以完美地運行得到想要的結(jié)果。

4.4 模型效果測試

調(diào)用訓練好的YOLOv3-MobileNetv3 權(quán)重檢測測試集的缺陷圖片，得到的檢測圖片如圖12～圖14所示。

圖12 第一類缺陷圖

圖13 第二類缺陷圖

圖14 第三類缺陷圖

從圖12～圖14的幾組圖片可以看出，訓練好的模型對缺陷圖片有較好的檢測結(jié)果。

4.5 性能對比

文章采用平均檢測準確率（mAP）和幀率（FPS）對檢測算法進行對比。

4.5.1 mAP對比

在目標檢測中，利用某類模型準確率P（Precision）、召回率R（Recall）計算出平均準確率AP（Average Precision），最后把均值平均精度mAP（mean Average Precision）作為目標檢測模型的性能評估標準。利用以下公式：

本文設(shè)置一個IOU（交并比）。IOU 是模型所預測的檢測框和真實框的交集和并集之間的比例，設(shè)置IOU閾值為0.5。

TP：檢測框中正確，且IOU大于閾值的。

FP：檢測框中錯誤，且IOU小于閾值的。

FN：真實正確的框，卻沒有被模型檢測到的。

參考以上公式，本文選取德國DAGM 鋼板表面缺陷數(shù)據(jù)集中三類測試集缺陷圖，每類缺陷各100 張，共計300 張缺陷測試圖，打亂順序，然后將圖片由.png 格式轉(zhuǎn)換成.jpg 格式，利用labelImg 軟件標注出缺陷位置。先利用訓練好的.h5格式的權(quán)值文件加載到模型中測試圖片，再與標注后的圖片進行對比，如圖15所示。

圖15 標注圖片與檢測圖片對比圖

運用上述方法得到四種網(wǎng)絡結(jié)構(gòu)各類缺陷的AP圖，平均準確率AP 即圖中陰影部分的面積占比。其中橫坐標是召回率，縱坐標是某類模型準確率。例如YOLOv3中class1缺陷AP圖如圖16所示。

圖16 YOLOv3中class1缺陷的AP圖

具體每類網(wǎng)絡中各類缺陷的AP數(shù)值如表2所示。

表2 網(wǎng)絡各類缺陷AP對比表

再由式（8）可得到四種網(wǎng)絡模型各自的mAP值：

其中YOLOv3-MobileNetv3模型的mAP圖如圖17所示。

圖17 YOLOv3-MobileNetv3的mAP圖

具體各類網(wǎng)絡mAP數(shù)值如表3所示。

表3 網(wǎng)絡mAP對比表

由表3 可知，由于 YOLOv3 采用 Darknet-53 作為特征提取層，參數(shù)量較大，在該數(shù)據(jù)集上并沒有較好的表現(xiàn)，mAP 值僅為 78.49%。YOLOv3-MobileNetv1 網(wǎng)絡mAP 為95.39%，較于 YOLOv3 提升 21.5%，YOLOv3-MobileNetv2 網(wǎng)絡 mAP 為 96.5%，較 于 YOLOv3 提升22.9%。YOLOv3-MobileNetv3 由于它的特征提取主干網(wǎng)絡MobileNetv3 吸收了MobileNetv1 和MobileNetv2的優(yōu)點，加入孔空洞卷積并采用Inceptionv3 優(yōu)化結(jié)構(gòu)，mAP 為96.75%，相比于YOLOv3 提升了23.3%，具有較好的精度值。

4.5.2 FPS對比

FPS 是圖像里的定義，是指畫面每秒傳輸幀數(shù)，即視頻中的畫面數(shù)。本文使用的顯卡為RTX2070s，其四種網(wǎng)絡處理圖片速度的對比結(jié)果如表4所示。

表4 網(wǎng)絡處理速度對比表

由表4可以明顯看出YOLOv3修改后的網(wǎng)絡在處理圖片速度上有著較為明顯的提升，YOLOv3-MobileNetv2性能在改進的網(wǎng)絡中最差為每秒40幀，YOLOv3-MobileNetv3性能為每秒43幀，雖不如YOLOv3-MobileNetv1的每秒47.6幀，但相比于YOLOv3每秒提高了21幀，可以滿足流暢的視頻處理，對于性能差一點的平臺有更好的移植性。

綜合以上實驗結(jié)果，YOLOv3-MobileNetv3 在mAP和FPS上均有不錯的效果，不但比YOLOv3網(wǎng)絡提取特征模型參數(shù)量大大減小，訓練時間也大幅度縮短，比YOLOv3更具有在工業(yè)上應用的前景。

5 討論

5.1 MobileNet主干網(wǎng)絡分析

利用MobileNet系列網(wǎng)絡作為YOLOv3特征提取網(wǎng)絡，上述實驗已證明其可行性。

由圖18 可以看出圖片送入MobileNet 網(wǎng)絡中卷積出的圖片輸送到FPN（特征金字塔）中，通過三個檢測層分別檢測出大目標、中目標和小目標缺陷。在保持精度的同時提高了幀數(shù)，有一定運行效率，在工業(yè)上有應用前景。

圖18 MobileNet卷積網(wǎng)絡作用圖

5.2 空洞卷積分析

以分類為class3的劃痕缺陷為例，捕獲部分網(wǎng)絡提取層中信息，以驗證空洞卷積效果。如圖19所示，圖（a）為缺陷原圖，圖（b）為加入空洞卷積后截取一個通道的圖片，可以明顯看出適當加入空洞可以擴大感受野，圖（c）所示該通道網(wǎng)絡最后卷積圖，可以看出缺陷部位信息明顯，易于網(wǎng)絡的訓練與檢測。

圖19 空洞卷積效果圖

5.3 Inception結(jié)構(gòu)分析

Inception在網(wǎng)絡中采用非對稱卷積進行修改，即將在原有YOLOv3網(wǎng)絡最后一層中3×3卷積分解為3×1和1×3 卷積，這樣做可節(jié)省33%（[（9-6）/9]）的計算量，再利用兩個1×1 卷積疊加構(gòu)成Inception 結(jié)構(gòu)。利用此結(jié)構(gòu)既加深了網(wǎng)絡深度，也減少了參數(shù)總的計算量。以分類為class1的碰傷缺陷為例，驗證該結(jié)構(gòu)下不同大小感受視野下不同尺度的特征融合部分仿真結(jié)果，如圖20所示。

圖20 Inception結(jié)構(gòu)卷積效果圖

最后檢測效果如圖21所示。

圖21 最終檢測效果圖

結(jié)合圖20 和圖21 可以看出，經(jīng)過Inception 結(jié)構(gòu)卷積后左上角的缺陷特征明顯，證明了Inception結(jié)構(gòu)對缺陷部位檢測有促進作用，具有可行性。

6 結(jié)束語

本文使用一種改進后的YOLOv3 網(wǎng)絡對工業(yè)上鋼板表面進行缺陷檢測，修改了德國DAGM 鋼板表面缺陷數(shù)據(jù)集，使之適應網(wǎng)絡的訓練；使用輕量級MobileNet網(wǎng)絡來代替YOLOv3原有網(wǎng)絡中的Darknet-53網(wǎng)絡，適當減少參數(shù)量的提??；加入空洞卷積，提高網(wǎng)絡對小目標缺陷的檢測能力；在網(wǎng)絡結(jié)構(gòu)最后一層卷積中加入了Inception 結(jié)構(gòu)，可以進一步減少參數(shù)總量并加深網(wǎng)絡。從實驗結(jié)果可以知道，修改后的YOLOv3在精度和速度上都有明顯的提升。下一步工作是優(yōu)化模型算法，將網(wǎng)絡移植到性能更差的移動端設(shè)備上。