工业设备检测是工业生产中非常重要的一个环节,不仅需要耗费大量的人力物力,而且存在人员安全隐患,同时还存在部分工业设备无法被正常检测的情况。而传统的基于手工特征的目标检测算法耗时较长且鲁棒性较差,无法对工业设备进行快速准确检测,尤其处理多目标时,问题更加突出。随着计算机视觉的快速发展,卷积神经网络逐渐应用于工业工程中的设备检测。基于卷积神经网络的工业设备目标检测算法不仅安全可靠,还可以提升检测的精度和速度,积累数据素材,为实现无人化工厂进行初期探索。Faster R-CNN是近年来目标检测的经典算法,对常规目标检测具有很高的准确率。但在实际的工业工程中,不同类别的工业设备由于特定的位置要求会存在多尺度、遮挡重叠和旋转倾斜等情况,使得工业设备检测准确率受到影响。因此,本文对Faster R-CNN算法进行改进,用于复杂场景下的工业设备检测。对于多尺度及遮挡重叠场景下的工业设备检测,本文首先选用轻量级深度可分离卷积Mobile Net V2网络,其特征提取效果与标准卷积相似,但是可以大大降低计算参量,减少时间开销,同时能保证检测精度;其次,以此为基础构建Mobile Net V2特征金字塔网络,即将分辨率较低、语义信息较强的特征图与分辨率较高、语义信息较弱的特征图进行结合,使每一层都含有较强的语义信息,并对每一层分别进行预测;最后,提出了一种多阶段惩罚的非极大值抑制算法,通过引入多阶段惩罚因子对候选框的置信度进行衰减,改善由于候选框被直接删除造成的漏检情况。对工业设备进行检测实验,结果表明,改进的算法提高了多尺度及遮挡重叠场景下的工业设备检测准确率。对于旋转倾斜场景下的多类别工业设备检测,本文首先提出了一种特定的旋转锚方案,通过k均值聚类算法对多类别的工业设备训练集进行聚类,以得出特定的长宽比,再结合不同的旋转倾斜角度,生成多长宽比和多旋转倾斜角度的锚框;其次,使用旋转的交并比算法通过对候选框的重叠部分进行三角形分割,分别计算面积再相加的方式精准计算交并比;最后经过多尺度感兴趣区域池化层,归一化处理不同大小的特征图,同时对正负锚的判定条件以及多任务损失函数进行改进。对多类别的工业设备进行检测实验,结果表明,改进的基于Faster R-CNN的工业设备目标检测算法对比其他算法检测效果较好,可以成功检测出多尺度、遮挡重叠和旋转倾斜等复杂场景下的多个类别的工业设备,有效改善了漏检和误检情况,提高了工业设备检测的准确率和速度。