复杂工业场景目标实时检测方法

摘要

cqvip:针对现代生产中对柔性化和智能化的需求,为了提高智能加工机器人的工作效率和适应性,使其能精确快速的识别检测各类目标,提出了一种基于YOLOv3模型的多尺度视觉检测方法,该方法可对复杂工业环境背景下的常见目标进行实时检测。该方法检测的对象为轴承、螺丝刀、齿轮、钳子、扳手、螺栓、螺帽、垫片、榔头、锉刀、车刀十一类工件。该方法结合SPP-Net及ResNet,通过单个卷积神经网络将分辨率418×418输入图像处理为52×52、26×26、13×13三个不同尺度的特征图分别进行预测,通过NMS算法得到最终结果。该方法在保证效率与准确率的情况下实现了复杂工业环境下的目标检测,使用的网络结构为在YOLOv3的基础上进行了改进后的CIS-YOLO,在GTX1060上本文使用750张图片作为测试集,完成测试所用时间为17s,测试速度达到了44FPS,精度达到了91.67%。检测的精度较YOLOv2增加了1.38%,测试速度提升了15%;较YOLOv3精度增加了2.61%,测试速度提升了39%。实验结果证明该方法满足了高精度实时检测的要求,该研究可为机器人快速高效率在复杂工业环境背景下目标检测提供依据。