近年来,三维模型以其虚拟化、数字化、可视化的特点广泛应用于工业制造业等领域,对机械零件三维模型检索识别的研究成为热点。传统的三维模型检索识别方法是利用特征描述符表示三维模型特征,其识别结果的优劣取决于人们对三维模型的主观理解以及特征描述符对模型的表达能力。随着人工智能技术的发展和普及,工业制造业等相关领域出现了人工智能的身影。深度学习的突破性发展使其广泛的应用于图像领域。由于三维模型的外观属性是其最直观的特征表达,因此本文利用深度学习技术,对三维模型目标检测的方法进行深入研究。本文基于Faster R-CNN,在三维模型目标检测的应用场景下展开研究,主要的工作内容如下:(1)机械零件的虚拟样本生成及数据集制作。首先将零件三维模型置于虚拟环境中球体空间的中心位置上,通过移动虚拟相机改变拍摄视角,截取其各个角度的图像作为样本。之后针对三维模型图像样本的特点,实现了样本的自动化标注,完成了数据集的制作。整个数据集包含21类零部件,共15465张图像。(2)多层特征融合。针对三维模型图像数据集的特点,本文提出将VGG16的浅层卷积特征图与深层卷积特征图进行融合,融合后的结果用于目标检测。该方法将图像中的边缘、形状、位置等底层信息充分利用,使模型检测准确率达到93.75%,提高了5.02%,测试时间缩短了14ms。(3)基于Conv4的候选区域生成。卷积神经网络中,随着卷积层数加深,特征图中丢失了大量细节信息,位置信息也随之减少。本文利用第四层卷积特征图实现候选区域生成,将生成的候选区域坐标与第五层特征图输入到ROIs Pooling层实现特征图裁剪与坐标映射。相比于原始模型,预测边框与真实边框IoU覆盖率提升了1.88%。(4)利用混合样本实现真实场景目标检测。在缺少真实样本的情况下,本文提出利用大量虚拟样本与少量真实样本构成混合样本训练深度学习模型,真实样本进行测试,检测准确率达到70.8%,在保证检测准确率的前提下,有效的减少了真实样本的采集与标注工作。最后,在三维模型图像数据集上验证了本文改进方法的可行性及有效性。对比目标检测结果,本文提出的方法在目标分类、位置预测等方面的准确率均有所提升。