论文部分内容阅读
零件目标检测与识别作为自动化装配的关键技术之一受到广泛关注,而深度学习算法在提取特征方面的优势,为机械零件目标检测提供了一种新途径。本文以机械零件目标检测为主要研究对象,针对传统机械零件特征提取算法中存在的检测误差大、识别精度低等不足,以深度学习目标检测网络中基于候选区域和基于回归两大类型的典型代表Faster R-CNN网络和YOLOv3网络为依托,提出了两种基于深度学习的零件目标检测算法,改善了零件检测中尺寸差异、遮挡及准确率低等问题,克服了人工检测耗时的缺陷。主要工作包括以下方面:(1)介绍了深度学习的基本知识以及三种经典的深度学习模型;概述了基于深度学习目标检测的相关技术和几种典型的目标检测算法,并对其优缺点进行分析。(2)将特征图降维与多尺度卷积核的特征提取拼接相结合,提出了一种多尺度特征提取结构,改进了基于候选区域的Faster R-CNN算法,有效减少网络训练过程中的参数量和计算量,解决了不同类机械零件间尺寸差异较大的问题。(3)采用级联的方式将低层特征图与高层特征图进行拼接,实现了在高层特征的整体空间信息中融入低层特征局部边缘细节信息,提高了提取特征的利用率。提出一种联合排斥损失函数,有效改善密集零件与零件之间因遮挡导致检测准确率及召回率低的现象。(4)通过对目标检测网络多尺度的研究,发现四个尺度的YOLOv3网络结构提取特征的综合性能优于原尺度结构。同时利用低层特征的空间纹理信息和高层特征的语义信息可增加机械零件检测的准确率。引入k均值聚类法对零件候选框进行聚类分析,得到最优的anchor个数。(5)考虑到实际工程中光照、背景、遮挡、尺寸等因素对零件目标检测的影响,本文创建了一个由五种不同类别、10000张零件图像及其标签组成的机械零件数据库,模拟工程中的复杂环境,用于本文提出网络的训练及测试。结果表明:本文改进的Faster R-CNN和YOLOv3目标检测算法可以成功应用于机械零件目标检测,与传统检测算法相比,检测准确率高、时间快,明显改善了零件检测中存在的尺度不一、特征利用率低、遮挡等问题。最后,对两种改进后的网络性能进行对比分析,选取YOLOv3网络作为更适用于实际工程生产的网络。