प्रतिगमन-आधारित लक्ष्य पहचान एल्गोरिदम के रूप में, YOLOv3 कई लक्ष्यों की तीव्र और सटीक पहचान प्राप्त कर सकता है। YOLOv3 इनपुट छवि के वैश्विक क्षेत्र पर प्रशिक्षण देता है, जो प्रशिक्षण को गति देता है और लक्ष्य और पृष्ठभूमि के बीच बेहतर भेदभाव की अनुमति देता है। सबसे पहले, डार्कनेट -53 बैकबोन नेटवर्क का उपयोग एल्यूमीनियम प्रोफाइल की सतह दोष विशेषताओं को निकालने के लिए किया जाता है, और फिर लक्ष्य फ्रेम का उपयोग सीधे लक्ष्य श्रेणी और स्थान की भविष्यवाणी करने के लिए किया जाता है। एल्यूमीनियम प्रोफाइल की सतह के दोष आकार में अनियमित, स्थान में यादृच्छिक और आकार में भिन्न होते हैं। पहचान के लिए सीधे YOLOv3 मॉडल को लागू करके छोटे दोषों की सटीक पहचान करना मुश्किल है।
यह आलेख इसकी विशेषताओं के गहन विश्लेषण के आधार पर YOLOv3 मॉडल में सुधार करता है। छोटे दोषों की पहचान करने की क्षमता में सुधार करने के लिए मूल 3-स्केल पहचान संरचना को 4 स्केल तक विस्तारित करें; पुनः-क्लस्टरिंग विश्लेषण के माध्यम से एल्यूमीनियम प्रोफ़ाइल सतह दोषों के लिए उपयुक्त प्रारंभिक लक्ष्य फ्रेम का निर्माण करें, और YOLO एल्गोरिथ्म के मॉडल मापदंडों में सुधार करें; प्रशिक्षित करने के लिए बहु-स्तरीय प्रशिक्षण विधियों का उपयोग करें। इस प्रक्रिया को विभिन्न पैमानों के दोषों के लिए मॉडल की अनुकूलनशीलता और पहचान सटीकता को बढ़ाने और सतह के दोषों की पहचान करने में कठिनाई और एल्यूमीनियम प्रोफाइल की कम सटीकता जैसी समस्याओं को हल करने के लिए अनुकूलित किया गया है।