铸铁元素检测，电镀结合力检测

提出一种YOLOv3-Mv2的检测模型，对铸件划痕缺陷进行检测。首先，选择更小的骨架网络MobileNetv2替换原来的特征提取网络结构Darknet53，减少网络的计算参数量，提升检测速度；其次，在深层特征和浅层特征相融合的基础上增加新的检测尺度，以增强对小缺陷目标的检测能力；然后将BN(Batch Normalization)层的参数重新计算，与卷积层共用连通区域数据，加快模型前向推断的速度；引入CIoU（Complete IoU）函数提高定位准确度。结果表明，YOLOv3-Mv2与原YOLOv3算法相比，平均精度（mAP）值提高了5.42%，实时性提高了23f /s。

关键词：缺陷检测；MobileNetv2；合并参数；检测尺度；损失函数

■ 随着现代工业的发展，铸件品质保证显得尤为重要。对于表面有缺陷的铸件，采用人工检测方法存在效率低、不宜长时间的操作，易造成误检。传统机器视觉检测法和深度学习检测方法是现在比较流行的缺陷检测方法。