目标检测任务是指利用算法找出图像中感兴趣的目标,确定它们的位置和类别,是机器视觉领域的核心问题之一。时至今日,目标检测领域的许多子问题已经进行了充分研究,但仍有一些问题有待解决,相似小目标检测就是其中之一。相似小目标检测任务是指对多个外观相似甚至完全一致的目标进行识别区分,由于无法利用目标的颜色形状等外观特征上的差异进行区分,而且目标在图像中的面积占比较小,细节特征少,所以比通用目标检测任务更具有挑战性。相似小目标检测在工业生产等场景中具有一定的应用,比如利用AR技术对重要零部件中的螺栓组装配过程进行辅助时,需要对不同位置上的多个同型号螺栓进行区分,因此该问题具有重要的研究价值。此外,轻量级的目标检测算法成为近年来深度学习领域研究的热点之一。高精度的卷积神经网络往往包含上千万的参数以及数十亿的计算量,需要高性能的硬件平台才能达到近乎实时的检测速度,难以在成本、体积、移动性等受限的场景下应用,因此对网络进行轻量化改进,使得网络在移动设备等资源受限的平台上也能够以较高的精度进行实时检测具有重要的实用价值。本文首先对卷积神经网络的轻量化进行了研究,提出了轻量化网络结构SNUV,并根据该结构设计了轻量化目标检测网络。SNUV采用通道卷积大幅缩减了参数量与计算量,同时使用Channel Shuffle的方式对各通道的特征进行融合,与其原型Shuffle Net V2结构相比,SNUV在保持计算复杂度不变的情况下提高了特征的利用率;与标准卷积相比,SNUV允许网络拥有更大的宽度和深度,同时具有更少的计算复杂度。实验结果显示,基于SNUV的分类网络和目标检测网络与同类型网络相比,能够以更少的参数量和计算复杂度实现更高的精度。本文还研究了相似小目标检测问题。相似目标之间在细节上难以区分,需要依靠上下文的环境信息辅助检测,因此感受野是区分相似目标的关键。本文提出了新的多尺度融合策略,通过提高降采样的次数并融合更大感受野的特征图,使得网络能够更好地利用相对位置关系等上下文信息,以弥补目标外观特征区分度不高的缺点。为了进一步提高精度,本文还对损失函数进行了改进,通过使用Focal Loss来改善模型的类别不平衡问题;通过在损失函数中引入GIo U损失来提升模型的位置精度。实验结果表明,本文提出的多尺度融合策略能够有效提升网络在相似小目标检测任务上的精度,损失函数的改进进一步提高了网络精度。此外,本文还对算法的应用场景进行了探索,提出了基于本文算法的AR辅助螺栓装配系统注册方法。注册是AR系统中的核心技术,决定了虚拟信息在真实世界中叠加位置的准确性以及画面的流畅性,该系统使用本文算法作为注册方法,并通过数据增广策略解决了数据集规模小的问题,提高了系统的注册精度。检测速度和图像传输速度是影响系统运行速度的两个主要因素,相较于其他注册方法,本文算法具有较高的速度,同时本文还通过压缩图像尺寸提高了传输速度。实验结果表明,基于本文算法的AR辅助螺栓装配系统具有较高的精度和运行速度。