該頁(yè)無(wú)縮略圖
另外還對(duì)網(wǎng)絡(luò)的其他部分進(jìn)行了調(diào)整[１８]
? ＹＯＬＯｖ５
和 ＹＯＬＯｖ３ 的區(qū)別在于?ＹＯＬＯｖ３ 的 Ｎｅｃｋ 結(jié)構(gòu)只使
用了 ＦＰＮ(自頂向下)結(jié)構(gòu)?將高層語(yǔ)義信息傳遞下
來(lái)?使得所有尺度下的特征都有豐富的語(yǔ)義信息?
相比之下?ＹＯＬＯｖ５ 的 Ｎｅｃｋ 結(jié)構(gòu)增加了 ＰＡＮ(自底
向上)結(jié)構(gòu)?解決了 ＦＰＮ 結(jié)構(gòu)缺少定位信息的問(wèn)題?
其采用自底向上的方式又將定位信息傳回去?
２.２.４ Ｐｒｅｄｉｃｔｉｏｎ:ＧＩＯＵ＿Ｌｏｓｓ
ＹＯＬＯｖ５ 中的 Ｂｏｕｎｄｉｎｇ Ｂｏｘ 的損失函數(shù)采用的
是 ＧＩＯＵ＿Ｌｏｓｓ(ｇｅｎｅｒａｌｉｚｅｄ ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ ｕｎｉｏｎ)?計(jì)
算公式為式(２)? ＧＩＯＵ 是一種從 ＩＯＵ( ｉｎｔｅｒｓｅｃｔｉｏｎ
ｏｖｅｒ ｕｎｉｏｎ)衍生出來(lái)的用于邊緣預(yù)測(cè)的損失計(jì)算方
法? 在目標(biāo)檢測(cè)等領(lǐng)域?有必要將預(yù)測(cè)的邊框( ｐｒｅ
ＢＢｏｘ)與實(shí)際標(biāo)注的邊框( ｇｒｏｕｎｄ ｔｒｕｔｈ ＢＢｏｘ) 進(jìn)行
比較來(lái)計(jì)算損失? 其中 ＩＯＵ 為評(píng)價(jià)預(yù)測(cè)框與真實(shí)
框的面積交并比?計(jì)算公式為式(１)? Ａ 是實(shí)際標(biāo)注
邊框 ( ｇｒｏｕｎｄ ｔｒｕｔｈ ＢＢｏｘ )? Ｂ 是 預(yù) 測(cè) 邊 框 ( ｐｒｅ
ＢＢｏｘ)?Ｃ 是這 ２ 個(gè)區(qū)域的閉包(在 ＧＩＯＵ＿Ｌｏｓｓ 中?閉
包取的是包圍這 ２ 個(gè)矩形區(qū)域的平行于坐標(biāo)軸的最
小矩形)? 根據(jù) ＧＩＯＵ 的值域?yàn)閇 －１?１]?我們通過(guò)
式(３)、式(４)可以推出 ＩＯＵ ＝
｜ Ａ∩Ｂ ｜
｜ Ａ∪Ｂ ｜
?因?yàn)閾p失函
數(shù)的值被限制在了一個(gè)很小的范圍?所以網(wǎng)絡(luò)不會(huì)
劇烈波動(dòng)?證明了 ＧＩＯＵ 的穩(wěn)定性?可以看出?計(jì)算
ＧＩＯＵ 損失的方法實(shí)際上是在計(jì)算 ＧＩＯＵ?但最終結(jié)
果是 １－ＧＩＯＵ?這是因?yàn)?１－ＧＩＯＵ 的值在[０?２]的范
圍內(nèi)?具有一定的“距離”特性?即 ２ 個(gè)邊框的重疊
區(qū)域越大?損失越小?反之?損失越大?
ＩＯＵ＝
｜ Ａ∩Ｂ ｜
｜ Ａ∪Ｂ ｜
(１)
ＧＩＯＵ(Ａ?Ｂ)＝ ＩＯＵ(Ａ?Ｂ)－
｜ Ｃ ｜ － ｜ Ａ∪Ｂ ｜
｜ Ｃ ｜
(２)
ＬｏｓｓＧＩＯＵ
＝ １－ＧＩＯＵ(Ａ?Ｂ)
ＬｏｓｓＧＩＯＵ
＝ １－(ＩＯＵ(Ａ?Ｂ)－１＋
｜ Ａ∪Ｂ ｜
｜ Ｃ ｜
)
ì
?
í
?
?
??
(３)
ＬｏｓｓＧＩＯＵ
＝ ２－ＩＯＵ(Ａ?Ｂ)－
｜ Ａ∪Ｂ ｜
｜ Ｃ ｜
(４)
３ 試驗(yàn)結(jié)果與分析
３.１ 試驗(yàn)環(huán)境與參數(shù)設(shè)置
本試驗(yàn)研究采取 Ｐｙｔｏｒｃｈ 深度學(xué)習(xí)開源框架?使
用圖像處理器加速訓(xùn)練過(guò)程? 硬件配置為:ＧＰＵ 為
Ｎｖｉｄｉａ ＧｅＦｏｒｃｅ ＲＴＸ ３０６０ ( １２ ＧＢ 顯 存)? ＣＰＵ 為
ＡＭＤ Ｒｙｚｅｎ ５ ３５００Ｘ ６－Ｃｏｒｅ Ｐｒｏｃｅｓｓｏｒ ３.６０ ＧＨｚ?內(nèi)
存 １６ ＧＢ? 運(yùn)行環(huán)境為:Ｗｉｎｄｏｗｓ１０ × ６４ 位操作系
統(tǒng)?ＣＵＤＡ 庫(kù)版本為 １１. １?Ｐｙｔｈｏｎ 版本 ３. ６?Ｐｙｔｏｒｃｈ
版本為 １.９.０?
搭 建 好 Ｆａｓｔｅｒ Ｒ － ＣＮＮ、 ＹＯＬＯｖ３、 ＳＳＤ 和
ＹＯＬＯｖ５ 共 ４ 種目標(biāo)檢測(cè)模型后?由于缺陷數(shù)據(jù)集
較少?使用遷移學(xué)習(xí)的方法進(jìn)行訓(xùn)練? 網(wǎng)絡(luò)權(quán)重通
過(guò) ＹＯＬＯｖ５ 模型在 ＭｉｃｒｏＳｏｆｔ ＣｏＣｏ 數(shù)據(jù)集訓(xùn)練得到?
該數(shù)據(jù)集是一個(gè)大型、豐富的物體檢測(cè)數(shù)據(jù)集[１６]
?
訓(xùn)練得到的網(wǎng)絡(luò)參數(shù)可以作為檢測(cè)模型的預(yù)訓(xùn)練權(quán)
重?這種訓(xùn)練方法常用且高效?使用該預(yù)訓(xùn)練權(quán)重能
節(jié)省缺陷數(shù)據(jù)集訓(xùn)練時(shí)間?網(wǎng)絡(luò)訓(xùn)練過(guò)程收斂更快、
檢測(cè)效果更好?
對(duì)拉絲、縱向缺陷 ２ 種實(shí)驗(yàn)樣本圖像分別標(biāo)注
好后生成對(duì)應(yīng) ＸＭＬ 文件?然后放入待訓(xùn)練文件夾
中?將搭建好的幾種深度學(xué)習(xí)模型設(shè)置好訓(xùn)練參數(shù)?
總訓(xùn)練輪數(shù) ｅｐｏｃｈ ＝ １００?初始學(xué)習(xí)率為 ０.００１?
３.２ ＹＯＬＯｖ５ 檢測(cè)結(jié)果
在測(cè)試集使用 ＹＯＬＯｖ５ 模型進(jìn)行目標(biāo)檢測(cè)?檢
測(cè)過(guò)程當(dāng)中 ＩＯＵ 閾值設(shè)置為 ０.５?當(dāng) ＩＯＵ>０.５ 時(shí)?認(rèn)
為是真實(shí)的檢測(cè)( ｔｒｕｅ ｄｅｔｅｃｔｉｏｎ)?否則認(rèn)為是錯(cuò)誤
的檢測(cè)(ｆａｌｓｅ ｄｅｔｅｃｔｉｏｎ)?即預(yù)測(cè)框占真實(shí)框 ５０％以
上才被認(rèn)為是真實(shí)的檢測(cè)?如果 ＩＯＵ 閾值設(shè)置較
低?樣本的質(zhì)量就難以保證?為了獲得高質(zhì)量的正樣
本?可以調(diào)高 ＩＯＵ 閾值?但樣本數(shù)量就會(huì)降低導(dǎo)致
正負(fù)樣本出現(xiàn)比例不平衡?且較高的 ＩＯＵ 閾值很容
易丟失小尺度目標(biāo)框?因此 ＩＯＵ 閾值一般設(shè)置為０.５
預(yù)測(cè)的精度率會(huì)更準(zhǔn)確? 在對(duì)應(yīng)置信度下得到 ＴＰ
(ｔｒｕｅ ｐｏｓｉｔｉｖｅ)、 ＦＰ ( ｆａｌｓｅ ｐｏｓｉｔｉｖｅ)、 ＦＮ ( ｆａｌｓｅ ｎｅｇａ￣
ｔｉｖｅ)值?根據(jù)公式分別計(jì)算出 ２ 類缺陷在不同置信
度值下所得到的精確度和召回率?由精確度和召回
率圍成 的 Ｐ － Ｒ 曲 線 如 圖 １１ 所 示? 由 圖 可 知?
ＹＯＬＯｖ５ 模型拉絲缺陷(ｌａｓｉ)的檢測(cè)精度為９０.７０％?
縱向缺陷(ｃｒｅｖｉｃｅ)的檢測(cè)精度為 ９８.８５％?最后求得
拉絲缺陷、縱向缺陷 ２ 類別檢測(cè)精度均值( ｍＡＰ?
ｍｅａｎ ａｖｅｒａｇｅ ｐｒｅｃｉｓｉｏｎ)為 ９４.７８％?在這里拉絲缺陷
(ｌａｓｉ)和縱向缺陷( ｃｒｅｖｉｃｅ) 精度有差異?很大程度
上是因?yàn)樵跀?shù)據(jù)集中縱向缺陷的數(shù)據(jù)比拉絲缺陷
多?另外拉絲缺陷一般都是眾多缺陷聚集在一起并
且目標(biāo)較小?使用 ＹＯＬＯｖ５ 模型識(shí)別時(shí)會(huì)有誤差因
此拉絲缺陷的精度會(huì)比較低?
?２００? 南昌大學(xué)學(xué)報(bào)(工科版) ２０２３ 年
0.6 0.8 1.0
1.0
0.8
0.6
0.4
0.2
P
0
0.2 0.4
class:98.85%=crevice AP
1.0
0.8
0.6
0.4
0.2
P
0
0.2 0.4 0.6 0.8 1.0
class:90.70%=lasi AP
Ｒ
(ａ)拉絲缺陷
Ｒ
(ｂ)縱向缺陷
圖 １１ ＹＯＬＯｖ５ 的 Ｐ－Ｒ 曲線
Ｆｉｇ.１１ Ｐ－Ｒ ｃｕｒｖｅ ｏｆ ＹＯＬＯｖ５
0.6 0.8 1.0
1.0
0.8
0.6
0.4
0.2
P
0
0.2 0.4
class:52.39%=crevice AP
1.0
0.8
0.6
0.4
0.2
P
0
0.2 0.4 0.6 0.8 1.0
class:67.69%=lasi AP
Ｒ
(ａ) 拉絲缺陷?Ｆａｓｔｅｒ Ｒ－ＣＮＮ
Ｒ
(ｂ) 縱向缺陷?Ｆａｓｔｅｒ Ｒ－ＣＮＮ
0.6 0.8 1.0
1.0
0.8
0.6
0.4
0.2
P
0
0.2 0.4
class:66.01%=crevice AP
0.8 1.0
1.0
0.8
0.6
0.4
0.2
P
0
0.2 0.4 0.6
class:78.34%=lasi AP
Ｒ
(ｃ) 拉絲缺陷?ＹＯＬＯｖ３ 模型
Ｒ
(ｄ) 縱向缺陷?ＹＯＬＯｖ３ 模型
0.6 0.8 1.0
1.0
0.8
0.6
0.4
0.2
P
0
0.2 0.4
class:58.12%=crevice AP
0.8 1.0
1.0
0.8
0.6
0.4
0.2
P
0
0.2 0.4 0.6
class:84.46%=lasi AP
Ｒ
(ｅ) 拉絲缺陷?ＳＳＤ 模型
Ｒ
(ｆ) 縱向缺陷?ＳＳＤ 模型
圖 １２ Ｐ－Ｒ 曲線
Ｆｉｇ.１２ Ｐ－Ｒ ｃｕｒｖｅ
第 ２ 期 馬瑩等:基于深度學(xué)習(xí)的牙模 ３Ｄ 打印缺陷檢測(cè)方法研究 ?２０１?
在同樣條件下 Ｆａｓｔｅｒ Ｒ－ＣＮＮ、ＹＯＬＯｖ３、ＳＳＤ 模
型所得到的精確度和召回率圍成的 Ｐ－Ｒ 曲線如圖
１２ 所示?Ｆａｓｔｅｒ Ｒ－ＣＮＮ 模型拉絲缺陷(ｌａｓｉ)的檢測(cè)
精度為 ６７.６９％?縱向缺陷( ｃｒｅｖｉｃｅ) 的檢測(cè)精度為
５２.３９％?最后求得拉絲缺陷、縱向缺陷 ２ 類別檢測(cè)
精度均值(ｍＡＰ)為 ６０.０４％?ＹＯＬＯｖ３ 模型拉絲缺陷
(ｌａｓｉ)的檢測(cè)精度為 ７８.３４％?縱向缺陷( ｃｒｅｖｉｃｅ)的
檢測(cè)精度為 ６６.０１％?最后求得拉絲缺陷、縱向缺陷
２ 類別檢測(cè)精度均值(ｍＡＰ)為 ７２.１８％?ＳＳＤ 模型拉
絲缺陷(ｌａｓｉ)的檢測(cè)精度為 ８４.４６％?縱向缺陷(ｃｒｅｖ￣
ｉｃｅ)的檢測(cè)精度為 ５８.１２％?最后求得拉絲缺陷、縱
向缺陷 ２ 類別檢測(cè)精度均值(ｍＡＰ)為 ７１.２９％?
３.３ 檢測(cè)結(jié)果
本文使用相同的圖片數(shù)據(jù)集和網(wǎng)絡(luò)參數(shù)分別采
用 Ｆａｓｔｅｒ Ｒ－ＣＮＮ、ＹＯＬＯｖ３、ＳＳＤ 和 ＹＯＬＯｖ５ 共 ４ 種
檢測(cè)模型進(jìn)行實(shí)驗(yàn)對(duì)比?
在訓(xùn)練好以上 ４ 個(gè)模型后使用圖像采集裝置隨
即拍攝 ３ 幅圖片(ａ)、(ｂ)、(ｃ)進(jìn)行實(shí)驗(yàn)對(duì)照?檢測(cè)
效果如圖 １３ 所示?４ 種模型的檢測(cè)效果均有不同的
差異? 在只有縱向缺陷的圖 １３ ( ａ) 中? Ｆａｓｔｅｒ Ｒ －
ＣＮＮ 模型誤識(shí)別了很多不是拉絲缺陷的情況并且
沒有識(shí)別到縱向缺陷?ＹＯＬＯｖ３ 模型所檢測(cè)到的縱
向缺陷存在并沒有將所有缺陷框住的情況?定位不
準(zhǔn)確?ＳＳＤ 模型直接沒有檢測(cè)到縱向缺陷?ＹＯＬＯｖ５
模型檢測(cè)結(jié)果正確? 在只有拉絲缺陷的圖 １３( ｂ)
中?Ｆａｓｔｅｒ Ｒ－ＣＮＮ 模型中誤識(shí)別了一個(gè)拉絲缺陷?
ＹＯＬＯｖ３ 模型、ＳＳＤ 模型和 ＹＯＬＯｖ５ 模型檢測(cè)結(jié)果都
正確? 在拉絲缺陷和縱向缺陷共存的圖 １３( ｃ)中?
Ｆａｓｔｅｒ Ｒ－ＣＮＮ 模型只識(shí)別到拉絲缺陷?并沒有識(shí)別
到縱向缺陷?ＹＯＬＯｖ３ 模型只識(shí)別到縱向缺陷?并沒
有識(shí)別到拉絲缺陷且縱向缺陷定位不準(zhǔn)確?ＳＳＤ 模
型拉絲缺陷和縱向缺陷都沒有識(shí)別到?ＹＯＬＯｖ５ 模
型檢測(cè)結(jié)果正確?
從這 ３ 幅圖片中?ＹＯＬＯｖ５ 檢測(cè)效果最佳?沒有
出現(xiàn)誤識(shí)別的情況?檢測(cè)出的缺陷置信度值(預(yù)測(cè)
類別是真實(shí)類別的概率) 也是 ４ 個(gè)模型中最高?表
現(xiàn)出 ＹＯＬＯｖ５ 模型針對(duì)牙模 ３Ｄ 打印缺陷目標(biāo)檢測(cè)
具有良好的魯棒性?
Faster R-CNN
YOLOv3
SSD
YOLOv5
(ａ) (ｂ) (ｃ)
圖 １３ 圖片檢測(cè)結(jié)果對(duì)比
Ｆｉｇ.１３ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｉｍａｇｅ ｄｅｔｅｃｔｉｏｎ ｒｅｓｕｌｔｓ
使用相同測(cè)試集 ３０９ 幅圖片?其中測(cè)試集共有
６９８ 個(gè)拉絲缺陷和 ４４０ 個(gè)縱向缺陷標(biāo)簽?分別對(duì) ４
種模型進(jìn)行評(píng)估?在相同 ＩＯＵ 閾值下?實(shí)驗(yàn)結(jié)果由
表 ２ 可知?ＹＯＬＯｖ５ 模型針對(duì)拉絲缺陷的平均檢測(cè)
精度(ＡＰ)比 ＳＳＤ 模型高 ６.２４ 個(gè)百分比?比 ＹＯＬＯｖ３
模型高 １２. ３６ 個(gè)百分比?比 Ｆａｓｔｅｒ Ｒ－ＣＮＮ 模型高
２３.０１ 個(gè)百分比?另外 ＹＯＬＯｖ５ 模型針對(duì)縱向缺陷的
平均檢測(cè)精度(ＡＰ)比 ＳＳＤ 模型高 ４０.７３ 個(gè)百分比?
比 ＹＯＬＯｖ３ 模型高 ３２. ８４ 個(gè)百分比?比 Ｆａｓｔｅｒ Ｒ －
ＣＮＮ 模 型 高 ４６. ４６ 個(gè) 百 分 比? 以 上 數(shù) 據(jù) 表 現(xiàn) 出
ＹＯＬＯｖ５ 模型針對(duì)于 ２ 類 缺 陷 的 檢 測(cè) 能 力 更 為
優(yōu)秀?
表 ２ ４ 種算法在測(cè)試集檢測(cè)結(jié)果
Ｔａｂ.２ Ｄｅｔｅｃｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｆｏｕｒ
ａｌｇｏｒｉｔｈｍｓ ｉｎ ｔｈｅ ｔｅｓｔ ｓｅｔ
檢測(cè)網(wǎng)絡(luò)
檢測(cè)精度/ ％
拉絲缺陷 縱向缺陷
檢測(cè)精度均
值/ ％
平均檢測(cè)時(shí)
間/ ｍｓ
Ｆａｓｔｅｒ Ｒ－ＣＮＮ ６７.６９ ５２.３９ ６０.０４ ９０
ＹＯＬＯｖ３ ７８.３４ ６６.０１ ７２.１８ ２２
ＳＳＤ ８４.４６ ５８.１２ ７１.２９ ２１
ＹＯＬＯｖ５ ９０.７０ ９８.８５ ９４.７８ ２１
?２０２? 南昌大學(xué)學(xué)報(bào)(工科版) ２０２３ 年
ＹＯＬＯｖ５ 深度學(xué)習(xí)模型檢測(cè) ２ 類缺陷的精度均值
(ｍＡＰ)高于 ＳＳＤ 模型 ２３.４９ 個(gè)百分點(diǎn)?高于 ＹＯＬＯｖ３
模型 ２２.５９ 個(gè)百分點(diǎn)?高于 Ｆａｓｔｅｒ Ｒ－ＣＮＮ 模型 ３４.７３
個(gè)百分點(diǎn)? 針對(duì) ３Ｄ 打印缺陷小目標(biāo)數(shù)據(jù)集?ＹＯＬＯｖ５
模型的檢測(cè)精度均高于其他檢測(cè)模型?
對(duì)單幅圖片檢測(cè)時(shí)間進(jìn)行測(cè)試?使用圖像采集
裝置進(jìn)行拍攝 １０ 幅缺陷(包括拉絲缺陷和縱向缺
陷)圖片?分別使用 ４ 個(gè)模型對(duì)采集的照片進(jìn)行預(yù)
測(cè)計(jì)時(shí)?平均檢測(cè)時(shí)間為檢測(cè) １０ 幅照片所耗費(fèi)時(shí)間
均值?其中 ＹＯＬＯｖ５ 模型由于結(jié)構(gòu)是 ＹＯＬＯｖ３ 的升
級(jí)改進(jìn)版?預(yù)測(cè)時(shí)間最快達(dá)到平均檢測(cè)單幅圖片時(shí)
間為 ０.０２１ ｓ?ＳＳＤ 平均檢測(cè)單幅圖片時(shí)間為 ０.０２１
ｓ?ＹＯＬＯｖ３ 平均檢測(cè)單幅圖片時(shí)間為０.０２２ ｓ?Ｆａｓｔｅｒ
Ｒ－ＣＮＮ 平均檢測(cè)單幅圖片時(shí)間為 ０.０９ ｓ?ＹＯＬＯｖ５
和在 ４ 個(gè)模型中檢測(cè)時(shí)間為最好?每幅平均檢測(cè)時(shí)
間為０.０２１ ｓ?因?yàn)闄z測(cè)時(shí)間測(cè)試是 ２ 種缺陷圖片一
起進(jìn)行的?因此在識(shí)別時(shí)間上 ２ 種缺陷無(wú)差異?滿足
質(zhì)量檢測(cè)過(guò)程對(duì)速度的要求?
最后訓(xùn)練完畢后?通過(guò) ＹＯＬＯｖ５ 直接調(diào)用攝像
頭在線檢測(cè)打印缺陷?邊打印邊檢測(cè)?人為設(shè)置缺陷
檢測(cè)結(jié)果如圖 １４ 所示?能夠?qū)崿F(xiàn)實(shí)時(shí)在線檢測(cè)并且
識(shí)別精度也比較高?
圖 １４ 在線檢測(cè)結(jié)果
Ｆｉｇ.１４ Ｏｎｌｉｎｅ ｔｅｓｔ ｒｅｓｕｌｔｓ
４ 結(jié)論
１)本文搭建顯微視覺采集裝置隨機(jī)拍攝 ３ 幅
缺陷圖片進(jìn)行試驗(yàn)? 在圖片中存在 ２ 種缺陷情況
下?ＹＯＬＯｖ５ 模型均能夠準(zhǔn)確檢測(cè)拉絲缺陷和縱向
缺陷?檢測(cè)效果明顯優(yōu)于同系列的 ＳＳＤ、ＹＯＬＯｖ３ 模
型以及主流算法 Ｆａｓｔｅｒ Ｒ－ＣＮＮ 模型?
２)通過(guò)打印過(guò)程隨即拍攝圖片對(duì) ４ 種模型進(jìn)
行檢測(cè)計(jì)時(shí)?結(jié)果表明 ＹＯＬＯｖ５ 模型檢測(cè)單幅圖片
平均僅需 ０.０２１ ｓ?檢測(cè)速度達(dá)到現(xiàn)場(chǎng)應(yīng)用要求?
３)本文所構(gòu)建的 ＹＯＬＯｖ５ 牙模 ３Ｄ 打印在線缺
陷檢測(cè)模型與現(xiàn)有的幾種流行檢測(cè)模型進(jìn)行比較?
結(jié)果表明 ＹＯＬＯｖ５ 檢測(cè)模型對(duì)拉絲缺陷和縱向缺陷
檢測(cè)精度 ( ｍＡＰ ) 均高于 ＳＳＤ、 ＹＯＬＯｖ３、 Ｆａｓｔｅｒ Ｒ－
ＣＮＮ 模型?能達(dá)到高準(zhǔn)確率檢測(cè)拉絲缺陷和縱向缺
陷?
根據(jù)模型在測(cè)試集、實(shí)際拍攝圖片和在線檢測(cè)
中的測(cè)試表現(xiàn)?得出本文提出的基于 ＹＯＬＯｖ５ 檢測(cè)
算法的牙模 ３Ｄ 打印方案是可行的?達(dá)到目前工業(yè)
化生產(chǎn)牙模增材質(zhì)量檢測(cè)自動(dòng)缺陷檢測(cè)的要求?具
有很好的應(yīng)用價(jià)值?
參考文獻(xiàn):
[１] 白銀?張孝霞.３Ｄ 打印技術(shù)在口腔醫(yī)學(xué)領(lǐng)域中的應(yīng)用
[Ｊ].科技與創(chuàng)新?２０２０(１７):９８－９９.
[２] 杜云飛?寧會(huì)峰?閻相忠.基于 ＦＤＭ 的低熔點(diǎn)金屬牙模
制備方法研究[ Ｊ]. 機(jī)械設(shè)計(jì)與制造工程? ２０１８? ４７
(８):１１－１７.
[３] 段崇陽(yáng).基于機(jī)器視覺的 ３Ｄ 打印成型質(zhì)量檢測(cè)系統(tǒng)
設(shè)計(jì)[Ｄ].哈爾濱:哈爾濱理工大學(xué)?２０２０.
[４] 張濤?劉玉婷?楊亞寧?等.基于機(jī)器視覺的表面缺陷檢
測(cè)研究綜述[Ｊ].科學(xué)技術(shù)與工程?２０２０?２０(３５):１４３６６
－１４３７６.
[５] 朱曉麗.關(guān)于機(jī)器視覺及其應(yīng)用問(wèn)題的探討[ Ｊ].中國(guó)
教育技術(shù)裝備?２０１０(９):８９.
[６] 肖剛?葛屨.基于深度學(xué)習(xí)的機(jī)器視覺在制造業(yè)質(zhì)量檢
測(cè)中的應(yīng)用研究[Ｊ].數(shù)據(jù)?２０２１(１２):５６－６０.
[７] 張海光?宗在亮?姚遠(yuǎn)?胡慶夕.基于機(jī)器視覺的多軸
３Ｄ 打印缺陷檢測(cè)技術(shù)研究 [ Ｊ]. 計(jì)量與測(cè)試技術(shù)?
２０２１?４８(１１):４５－４７.
[８] 張玉燕?任騰飛?溫銀堂.一種基于 ＹＯＬＯｖ３ 算法的 ３Ｄ
打印點(diǎn)陣結(jié)構(gòu)缺陷識(shí)別方法[ Ｊ].計(jì)量學(xué)報(bào)?２０２２?４３
(１):７－１３.
[９] 張治洲.基于深度學(xué)習(xí)的 ３Ｄ 打印金屬材料力學(xué)性能
第 ２ 期 馬瑩等:基于深度學(xué)習(xí)的牙模 ３Ｄ 打印缺陷檢測(cè)方法研究 ?２０３?
預(yù)測(cè)方法研究[Ｄ].廣州:暨南大學(xué)?２０１９.
[１０] 張浩.基于 ＨＳＭＭ 和 ＥＥＭＤ 的熔融沉積成型 ３Ｄ 打印
過(guò)程故障診斷研究[Ｄ].杭州:浙江大學(xué)?２０１７.
[１１] 許德剛?王露?李凡.深度學(xué)習(xí)的典型目標(biāo)檢測(cè)算法研
究綜述[Ｊ].計(jì)算機(jī)工程與應(yīng)用?２０２１?５７(８):１０－２５.
[１２] 施金汝?許凌峰?陳金立?等.基于樹莓派和 ＹＯＬＯｖ５ 算
法的路面裂縫檢測(cè)系統(tǒng)[ Ｊ].信息技術(shù)?２０２２( ４):２２－
２８.
[１３] 馬琳琳?馬建新?韓佳芳?等.基于 ＹＯＬＯｖ５ｓ 目標(biāo)檢測(cè)
算法的研究[Ｊ].電腦知識(shí)與技術(shù)?２０２１?１７(２３):１００－
１０３.
[１４] ＲＥＤＭＯＮ Ｊ?ＦＡＲＨＡＤＩ Ａ.ＹＯＬＯｖ３:ａｎ Ｉｎｃｒｅｍｅｎｔａｌ Ｉｍ￣
ｐｒｏｖｅｍｅｎｔ[Ｊ].[ ＥＢ/ ＯＬ]. ( ２０１８ － ０４ － ０８) [ ２０２２ － ０５ －
０５].２０１８:ａｒｘｉｖ:１８０４.０２７６７.ｈｔｔｓ: / / ａｒｘｉｖ. ｏｒｇ / ａｂｓ/ １８０４.
０２７６７.
[１５] ＮＥＰＡＬ Ｕ?ＥＳＬＡＭＩＡＴ Ｈ. Ｃｏｍｐａｒｉｎｇ ＹＯＬＯｖ３?ＹＯＬＯｖ４
ａｎｄ ＹＯＬＯｖ５ ｆｏｒ ａｕｔｏｎｏｍｏｕｓ ｌａｎｄｉｎｇ ｓｐｏｔ ｄｅｔｅｃｔｉｏｎ ｉｎ
ｆａｕｌｔｙ ＵＡＶｓ[Ｊ].Ｓｅｎｓｏｒｓ?２０２２?２２(２):４６４.
[１６] ＺＨＡＮＧ Ｂ?ＦＡＮＧ Ｓ Ｑ?ＬＩ Ｚ Ｘ?ｅｔ ａｌ.Ｒｅｓｅａｒｃｈ ｏｎ ｓｕｒｆａｃｅ
ｄｅｆｅｃｔ ｄｅｔｅｃｔｉｏｎ ｏｆ ｒａｒｅ￣ｅａｒｔｈ ｍａｇｎｅｔｉｃ ｍａｔｅｒｉａｌｓ ｂａｓｅｄ ｏｎ
ｉｍｐｒｏｖｅｄ ＳＳＤ[Ｊ].Ｃｏｍｐｌｅｘｉｔｙ?２０２１?２０２１:１－１０.
[１７] ＳＯＺＺＩ Ｍ?ＣＡＮＴＡＬＡＭＥＳＳＡ Ｓ?ＣＯＧＡＴＯ Ａ?ｅｔ ａｌ.Ａｕｔｏ￣
ｍａｔｉｃ ｂｕｎｃｈ ｄｅｔｅｃｔｉｏｎ ｉｎ ｗｈｉｔｅ ｇｒａｐｅ ｖａｒｉｅｔｉｅｓ ｕｓｉｎｇ
ＹＯＬＯｖ３?ＹＯＬＯｖ４?ａｎｄ ＹＯＬＯｖ５ ｄｅｅｐ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ
[Ｊ].Ａｇｒｏｎｏｍｙ?２０２２?１２(２):３１９.
[ １８] ＪＯＨＮＳＯＮ Ａ?ＪＡＮＩ Ｇ?ＣＡＲＥＷ Ｒ?ｅｔ ａｌ.Ａｓｓｅｓｓｍｅｎｔ ｏｆ ｔｈｅ
ａｃｃｕｒａｃｙ ｏｆ ３Ｄ ｐｒｉｎｔｅｄ ｔｅｅｔｈ ｂｙ ｖａｒＩｏｕｓ ３Ｄ ｐｒｉｎｔｅｒｓ ｉｎ ｆｏ￣
ｒｅｎｓｉｃ ｏｄｏｎｔｏｌｏｇｙ [ Ｊ ]. Ｆｏｒｅｎｓｉｃ Ｓｃｉｅｎｃｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ?
２０２１?３２８:１１１０４４.
[１９] ＸＵ Ｘ Ｙ?ＺＨＡＯ Ｍ?ＳＨＩ Ｐ Ｘ?ｅｔ ａｌ.Ｃｒａｃｋ ｄｅｔｅｃｔｉｏｎ ａｎｄ
ｃｏｍｐａｒｉｓｏｎ ｓｔｕｄｙ ｂａｓｅｄ ｏｎ ｆａｓｔｅｒ Ｒ－ＣＮＮ ａｎｄ ｍａｓｋ Ｒ－
ＣＮＮ[Ｊ].Ｓｅｎｓｏｒｓ?２０２２?２２(３):１２１５.
[２０] 馮凱?張書雅?李錦暄?等.基于卷積神經(jīng)網(wǎng)絡(luò)的返回艙
識(shí)別[Ｊ].現(xiàn)代信息科技?２０２１?５(１０):２０－２６.
???????????????????????????????????????????????
(上接第 １６１ 頁(yè))
[９] 于海龍?朱晞.地震作用下梁式橋碰撞反應(yīng)分析[ Ｊ].中
國(guó)鐵道科學(xué)?２００４?２５(１):９５－９９.
[１０] 江輝?李宇?熊智陽(yáng)?等.基于非線性靜、動(dòng)力方法的 ＲＣ
簡(jiǎn)支梁橋連梁裝置參數(shù)優(yōu)化研究[ Ｊ]. 振動(dòng)與沖擊?
２０１２?３１(１):８６－９１.
[１１] ＪＡＮＫＯＷＳＫＩ Ｒ?ＷＩＬＤＥ Ｋ?ＦＵＪＩＮＯ Ｙ. Ｐｏｕｎｄｉｎｇ ｏｆ ｓｕ￣
ｐｅｒｓｔｒｕｃｔｕｒｅ ｓｅｇｍｅｎｔｓ ｉｎ ｉｓｏｌａｔｅｄ ｅｌｅｖａｔｅｄ ｂｒｉｄｇｅ ｄｕｒｉｎｇ
ｅａｒｔｈｑｕａｋｅｓ [ Ｊ]. Ｅａｒｔｈｑｕａｋｅ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｓｔｒｕｃｔｕｒａｌ
Ｄｙｎａｍｉｃｓ?１９９８?２７(５):４８７－５０２.
[１２] ＫＡＷＡＳＨＩＭＡ Ｋ?ＳＨＯＪＩ Ｇ.Ｅｆｆｅｃｔ ｏｆ ｒｅｓｔｒａｉｎｅｒｓ ｔｏ ｍｉｔｉ￣
ｇａｔｅ ｐｏｕｎｄｉｎｇ ｂｅｔｗｅｅｎ ａｄｊａｃｅｎｔ ｄｅｃｋｓ ｓｕｂｊｅｃｔｅｄ ｔｏ ａ
ｓｔｒｏｎｇ ｇｒｏｕｎｄ ｍｏｔｉｏｎ [ Ｃ] / / １２ｔｈ Ｗｏｒｌｄ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ｅａｒｔｈｑｕａｋｅ Ｅｎｇｉｎｅｅｒｉｎｇ.Ａｕｃｋｌａｎｄ:ＩＡＥＥ?２０００:１４３５.
[１３] ＺＨＵ Ｐ?ＡＢＥ Ｍ?ＦＵＪＩＮＯ Ｙ.Ｅｖａｌｕａｔｉｏｎ ｏｆ ｐｏｕｎｄｉｎｇ ｃｏｕｎ￣
ｔｅｒｍｅａｓｕｒｅｓ ａｎｄ ｓｅｒｖｉｃｅａｂｉｌｉｔｙ ｏｆ ｅｌｅｖａｔｅｄ ｂｒｉｄｇｅｓ ｄｕｒｉｎｇ
ｓｅｉｓｍｉｃ ｅｘｃｉｔａｔｉｏｎ ｕｓｉｎｇ ３Ｄ ｍｏｄｅｌｉｎｇ [Ｊ].Ｅａｒｔｈｑｕａｋｅ Ｅｎ￣
ｇｉｎｅｅｒｉｎｇ ａｎｄ Ｓｔｒｕｃｔｕｒａｌ Ｄｙｎａｍｉｃｓ? ２００４? ３３ ( ５): ５９１ －
６０９.
[１４] ＡＢＤＥＬ ＲＡＨＥＥＭ Ｓ.Ｅ.Ｐｏｕｎｄｉｎｇ ｍｉｔｉｇａｔｉｏｎ ａｎｄ ｕｎｓｅａｔｉｎｇ
ｐｒｅｖｅｎｔｉｏｎ ａｔ ｅｘｐａｎｓｉｏｎ ｊｏｉｎｔｓ ｏｆ ｉｓｏｌａｔｅｄ ｍｕｌｔｉ￣ｓｐａｎ ｂｒｉｄｇ￣
ｅｓ [ Ｊ ]. Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｔｒｕｃｔｕｒｅｓ? ２００９? ３１ ( １０ ): ２３４５－
２３５６.
[１５] 吳應(yīng)雄?黃凈?林樹枝?等.隔震建筑構(gòu)造設(shè)計(jì)與應(yīng)用現(xiàn)
狀[Ｊ].土木工程學(xué)報(bào)?２０１８?５１(２):６２－７３.
[１６] 謝旭?高博青?吳善幸?等.柔性橡膠支座上的橋梁結(jié)構(gòu)
地震碰撞響應(yīng)分析 [ Ｊ]. 浙江大學(xué)學(xué)報(bào) ( 工學(xué)版)?
２００４?３８(６):７２５－７３０.
[１７] 施穎?宣紀(jì)明?姚君?等.大跨度軌道交通橋梁抗震性能
分析[Ｊ].橋梁建設(shè)?２０１７?４７(６):４２－４７.
[１８] ＭＡＬＥＫＩ Ｓ.Ｅｆｆｅｃｔ ｏｆ ｄｅｃｋ ａｎｄ ｓｕｐｐｏｒｔ ｓｔｉｆｆｎｅｓｓ ｏｎ ｓｅｉｓｍｉｃ
ｒｅｓｐｏｎｓｅ ｏｆ ｓｌａｂ￣ｇｉｒｄｅｒ ｂｒｉｄｇｅｓ [ Ｊ]. Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｔｒｕｃ￣
ｔｕｒｅ?２００２?２４(２):２１９－２２６.
?２０４? 南昌大學(xué)學(xué)報(bào)(工科版) ２０２３ 年
