论文部分内容阅读
随着计算机视觉的兴起,目标识别技术被广泛的应用于工业生产中,但目标识别应用中的小目标识别和算法精度、速度兼顾等难点问题依然有待解决。依托国家自然科学基金项目“智能装配机器人视觉自主识别、高精度定位与柔顺控制方法研究”,本文重点研究面向电子元器件自动装配的目标识别算法,通过分析现有识别算法在电子元器件识别中存在的不足,对原SSD算法进行改进,最终完成电子元器件自动装配中的目标识别算法研究,实现复杂场景下电子元器件高精度实时识别,为电子元器件装配任务奠定了基础。本文主要研究内容如下:（1）论述了电子元器件装配的过程和目标识别基础理论,分析现有目标识别算法及其在电子元器件识别上的难点问题。首先介绍了电子元器件装配过程,以及目标识别中的区域建议、边框回归、非极大值抑制等基础理论;然后通过实验对比了各识别算法在电子元器件识别中的效果,选择识别效果较好的SSD作为本文的基础算法,同时论述了电子元器件识别中的小目标识别和算法精度、速度兼顾的两个难点问题。（2）针对电子元器件识别中的小目标这一识别难点问题,在原SSD算法基础上,提出基于特征分离和目标上下文的SSD改进算法（称为CO-SSD）。首先,分离SSD网络中用于分类预测与定位预测的特征图网络,实现目标定位任务和分类任务的分离;其次,在此基础上将分类特征图中fc7、conv82、conv92层处特征图进行两倍上采样,加入目标的上下文信息,以弥补小目标的特征信息不足;最后进行多尺度特征融合,输出预测结果。实验表明与原SSD算法相比,CO-SSD算法mAP值提高了1.1%-1.3%。（3）针对电子元器件识别中的识别精度、速度难以兼顾这一难点问题,在CO-SSD算法基础上,提出基于特征增强的CO-SSD改进算法（称为CCO-SSD）。在原CO-SSD算法的分类特征图网络中增加选择性增强模块,增强特征图层中的有效特征通道、抑制特征图层中的无效特征通道,进一步提高识别精度的同时减少冗余信息;实验表明CCO-SSD的mAP值比CO-SSD算法进一步提高,而算法速度基本达到了SSD算法速度,实现了识别精度和速度的兼顾。