基于SlimYOLO的控制箱零件检测方法

摘要

控制箱零件检测是控制箱生产过程中的重要环节。采用机器视觉方法可自动识别控制箱内零件的类别及安装位置，及时检测控制箱装配缺陷。然而现有目标检测深度学习模型时效性较低，难以满足控制箱零件在线实时检测需求。本文对YOLOv4目标检测模型进行剪枝和优化，提出了轻量级的目标检测模型SlimYOLO。SlimYOLO改进了特征提取网络结构，压缩了冗余特征层，提高了模型推理速度。同时采用Kmeans++聚类算法对模型anchor框参数进行聚类分析，提升了模型对控制箱的检测效果。基于自主构建的控制箱零件数据集开展了多项对比实验研究，SlimYOLO的平均检测精度为98.08%,较YOLOv4提升0.58%,模型体积缩小9.8%,参数量减少了700万，推理速度提升了10%,为实际工业场景中控制箱零件的快速智能化检测奠定了基础。