Sebagai algoritma pengenalan target berbasis regresi, YOLOv3 dapat mencapai pengenalan beberapa target dengan cepat dan akurat. YOLOv3 berlatih di wilayah global gambar masukan, yang mempercepat pelatihan dan memungkinkan diskriminasi yang lebih baik antara target dan latar belakang. Pertama, jaringan tulang punggung Darknet-53 digunakan untuk mengekstrak fitur cacat permukaan profil aluminium, dan kemudian bingkai target digunakan untuk memprediksi secara langsung kategori dan lokasi target. Cacat permukaan profil aluminium berbentuk tidak beraturan, letaknya acak, dan ukurannya bervariasi. Sulit untuk mengidentifikasi cacat kecil secara akurat dengan menerapkan model YOLOv3 secara langsung untuk identifikasi.
Artikel ini menyempurnakan model YOLOv3 berdasarkan analisis mendalam terhadap karakteristiknya. Perluas struktur pengenalan skala 3-asli menjadi 4 skala untuk meningkatkan kemampuan mengidentifikasi cacat kecil; membangun kerangka target awal yang sesuai untuk cacat permukaan profil aluminium melalui analisis pengelompokan ulang, dan meningkatkan parameter model algoritma YOLO; menggunakan metode pelatihan multi-skala untuk melatih Proses ini dioptimalkan untuk meningkatkan kemampuan beradaptasi model dan akurasi pengenalan terhadap cacat pada skala yang berbeda, dan untuk memecahkan masalah seperti kesulitan dalam mengidentifikasi cacat permukaan dan rendahnya akurasi profil aluminium.