基于改進(jìn)YOLOv4的工件識(shí)別*

張建華，趙 維，趙 巖，王 唱，李克祥

(河北工業(yè)大學(xué)機(jī)械工程學(xué)院，天津 300401)

0 引言

隨著工業(yè)智能化快速發(fā)展，利用視覺(jué)技術(shù)迅速準(zhǔn)確地完成對(duì)工業(yè)零部件的自動(dòng)識(shí)別，已經(jīng)成為智能裝配領(lǐng)域研究的熱點(diǎn)[1-3]。

傳統(tǒng)目標(biāo)檢測(cè)算法需手動(dòng)提取目標(biāo)特征，然后通過(guò)分類器進(jìn)行訓(xùn)練分類。馮長(zhǎng)建等[4]提出核心主成分分析(KPCA)與支持向量機(jī)(SVM)混合的機(jī)械零部件形狀識(shí)別方法，通過(guò)傅立葉描繪子獲取零部件輪廓信息，利用KPCA進(jìn)行特征矢量降維，最后用SVM進(jìn)行分類。實(shí)驗(yàn)表明，該方法對(duì)位置分散且形狀完整的機(jī)械零部件有很高的識(shí)別率。王紅濤等[5]提出基于邊緣匹配的工件識(shí)別算法，在利用Canny算法提取圖像特征之后，將改進(jìn)的Hausdorff距離作為特征匹配的相似性度量方法，最后采用自適應(yīng)代溝替代策略的遺傳算法獲得距離最優(yōu)解。實(shí)驗(yàn)結(jié)果表明，該算法不僅可以加速特征匹配過(guò)程，而且提高其抗噪性，可有效解決平移、旋轉(zhuǎn)、部分遮擋等情況下圖像匹配識(shí)別問(wèn)題。傳統(tǒng)基于特征的工件檢測(cè)方法存在效率低、手工設(shè)計(jì)的特征魯棒性差等問(wèn)題[6]，難以滿足現(xiàn)代工業(yè)檢測(cè)需求。

近年來(lái)，隨著深度學(xué)習(xí)技術(shù)快速發(fā)展，上述問(wèn)題得到一定程度的解決。LIU等[7]將二維工件檢測(cè)網(wǎng)絡(luò)PolishNet-2d和三維工件識(shí)別網(wǎng)絡(luò)PolishNet-3d串聯(lián)使用，完成制造業(yè)中拋光工件的識(shí)別任務(wù)。TANG等[8]利用神經(jīng)網(wǎng)絡(luò)檢測(cè)目標(biāo)工件角點(diǎn)信息，根據(jù)檢測(cè)概率和角點(diǎn)間幾何關(guān)系總結(jié)規(guī)律建立決策樹來(lái)識(shí)別工件類型。KHALID等[9]提出一種全卷積網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)圖像點(diǎn)云信息劃分出工件區(qū)域和非工件區(qū)域，進(jìn)而檢測(cè)出工件數(shù)量及其位姿信息?！?br>