由于社会的发展与科技水平的进步,深度学习技术成为了处理工业零件识别问题的一种主要手段,并且开始逐步应用于生活中的多个领域。然而在实际处理对工业零件进行分类的问题时,会存在多种零件外形过于相似、各个产品相互遮挡,零件自身的特征较少或者不是很突出等复杂条件的干扰,降低了YOLO,SSD等目标识别算法的准确率。因此,本文针对上述非结构化特定情况下,工业零件检测效率低,检测效果不佳,漏检率高等问题,基于深度学习,从原始数据的采集、数据集的预处理和构造、模型的改进三个方面进行研究,对YOLOv3算法进行优化,提高了对遮挡零件、小目标零件检测识别的性能,并在自主构建的工业零件数据集上实现了较高的准确率。本文为了提升数据集质量,针对检测目标为外形相似、相互遮挡、特征不明显等复杂条件下的工业零件这一特定场景,通过调整目标视角、光照和背景,采集了大量上述特定条件下的目标图像。同时综合考虑适用于深度学习的数据要求,对目标零件数据集,使用Multi-Scale Retinex增强算法进行预处理,以完成对本课题所需数据集的构建。采用label Img软件实现对所需数据集的标注,利用Kmeans++方法对工业零件密集存在的区域重新聚类,得到适用于本课题的锚框尺寸,提升了模型对目标所在区域框的检测性能。针对原始YOLOv3特征提取能力不足而导致的漏检或检测准确率不高的问题,为了提高模型对目标零件的识别检测性能,提出适用于复杂情况下零件检测的YOLOv3-SPP-4l算法。首先使用Focal Loss算法优化损失函数,在训练过程中改变对应参数,提升了对小体积零件有效样本的识别精度;其次通过对YOLOv3原网络结构实施改进,使用SPP模块,同时增加特征提取尺度,实现了4个特征尺度之间的融合,增强了模型对目标特征的提取能力;最后基于pytorch框架,对本文提出的改进YOLOv3算法进行实验验证。研究结果表明:改进后的模型与原YOLOv3相比,不仅提高对小目标的检测精度,还减少了在目标堆叠和特征不明显情况下的错误率。因此,本文的改进方法对非结构化特定情况下的零件识别具有借鉴意义。