Regresyon bazlı bir hedef tanıma algoritması olan YOLOv3, birden fazla hedefin hızlı ve doğru şekilde tanınmasını sağlayabilir. YOLOv3, girdi görüntüsünün küresel bölgesini eğiterek eğitimi hızlandırır ve hedefler ile arka plan arasında daha iyi ayrım yapılmasına olanak tanır. Öncelikle Darknet-53 omurga ağı, alüminyum profillerin yüzey kusur özelliklerini çıkarmak için kullanılır ve ardından hedef çerçeve, hedef kategoriyi ve konumu doğrudan tahmin etmek için kullanılır. Alüminyum profillerin yüzey kusurları şekil olarak düzensiz, konum olarak rastgele ve boyutları değişkenlik göstermektedir. Tanımlama için YOLOv3 modelini doğrudan uygulayarak küçük kusurları doğru bir şekilde tanımlamak zordur.
Bu makale, özelliklerinin derinlemesine analizine dayanarak YOLOv3 modelini geliştirmektedir. Küçük kusurları tanımlama yeteneğini geliştirmek için orijinal 3-ölçek tanıma yapısını 4 ölçeğe genişletin; Yeniden kümeleme analizi yoluyla alüminyum profil yüzey kusurlarına uygun bir başlangıç hedef çerçevesi oluşturmak ve YOLO algoritmasının model parametrelerini geliştirmek; eğitmek için çok ölçekli eğitim yöntemleri kullanın. Süreç, modelin farklı ölçeklerdeki kusurlara uyarlanabilirliğini ve tanıma doğruluğunu geliştirmek ve yüzey kusurlarını tanımlamadaki zorluk ve alüminyum profillerin düşük doğruluğu gibi sorunları çözmek için optimize edilmiştir.