[发明专利]基于改进YOLOv3的风机叶片缺陷识别方法

权利要求书

1.基于改进YOLOv3的风机叶片缺陷识别方法，其特征在于包括以下步骤：

S1:训练YOLOv3模型，训练过程中平均错误率逐渐变小，待loss值逐渐变小达到稳定，停止训练，得到最优权重；

S2：将BN层的参数γ作为剪枝因子，根据γ值裁剪通道层，引入参数a来控制BN层参数稀疏化程度，训练过程中，分析参数a的大小对剪枝因子γ的影响，将BN层的剪枝因子γ全都提取出来按顺序排列，分析不同参数a下剪枝因子γ的分布情况，选取合适的参数a，得到稀疏后的模型；

S3：在稀疏化训练后剪枝因子γ的值会减小，根据预先设置的裁剪的阈值s，裁剪掉较小的参数γ对应的通道以及对应的参数，完成剪枝操作；

S4:剪枝后模型进行训练微调；

S5:将剪枝后模型卷积层的通道数调整到最接近2的n次方，得到规整的网络模型；

S6:在规整的网络模型上减少相同的残差结构单元，从而减少密集链接，得到改进后的轻量化网络模型；

S7：使用改进后的轻量化网络模型训练风机叶片缺陷数据集，得到最优权重，从而实现风机叶片缺陷识别。

2.根据权利要求1所述基于改进YOLOv3的风机叶片缺陷识别方法，其特征在于：S2中，在训练过程中，不断缩小剪枝因子γ的值，剪掉贡献度较小的通道，稀疏化训练BN层中的剪枝因子γ，引入L1正则化，采用公式

重新定义BN层的实现方式，引入参数a来控制BN层参数稀疏化程度，完成稀疏化训练。

3.根据权利要求1所述基于改进YOLOv3的风机叶片缺陷识别方法，其特征在于：S3中，进行通道剪枝，将BN层所有的剪枝因子γ进行排序，设置一个裁剪比率p，根据裁剪比率p的大小，计算出需要裁剪的最大参数，这个最大参数值记为裁剪的阈值s。

4.根据权利要求1所述基于改进YOLOv3的风机叶片缺陷识别方法，其特征在于：S3中，当通道层对应的剪枝因子γ小于裁剪的阈值s时，记录剪枝后网络层中要保留的通道数目，进行通道标记，得到预剪枝模型；预剪枝之后，得到每层网络需要裁剪的通道层索引列表和保留列表，根据需要剪枝通道索引列表完成裁剪操作，得到剪枝后模型。

5.根据权利要求1所述基于改进YOLOv3的风机叶片缺陷识别方法，其特征在于：S5中，将剪枝后模型卷积层的通道数，采用如下公式调整到最接近2的n次方：

lga＝nlg2

n＝lga/lg2

x＝2ⁿ。