基于卷積神經(jīng)網(wǎng)絡(luò)的十字螺釘殼體裝配自動(dòng)檢測(cè)

摘要：目前，對(duì)于小尺寸螺釘缺失的檢測(cè)，常采用人工目視檢查。針對(duì)人工檢測(cè)效率低下的問(wèn)題，本文提出了一種基于YOLOv5卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)檢測(cè)方法，通過(guò)采集裝配體圖像、標(biāo)注螺釘位置、訓(xùn)練網(wǎng)絡(luò)模型以及獲取最優(yōu)權(quán)重文件，實(shí)現(xiàn)對(duì)螺釘裝配的自動(dòng)識(shí)別。實(shí)驗(yàn)結(jié)果表明，該方法檢測(cè)的準(zhǔn)確率為0.909，召回率為0.834，自動(dòng)檢測(cè)時(shí)間在100毫秒左右，顯著提高了檢測(cè)效率，有效解決了人工檢測(cè)耗時(shí)耗力的問(wèn)題。

關(guān)鍵詞：螺釘缺失；檢測(cè)；YOLOv5；卷積神經(jīng)網(wǎng)絡(luò)；自動(dòng)識(shí)別

中圖分類號(hào)：TP389" "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）08-0005-05

開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID） ：

0 引言

在機(jī)械產(chǎn)品制造裝配中，螺紋連接因其結(jié)構(gòu)簡(jiǎn)單、性能可靠、維護(hù)方便等優(yōu)點(diǎn)，在工程和工業(yè)應(yīng)用中不可或缺。螺紋連接作為機(jī)械生產(chǎn)裝配中最常用的連接方式，在連接中的占比高達(dá)70%。因此，對(duì)于螺紋連接的自動(dòng)化識(shí)別檢測(cè)可帶來(lái)相當(dāng)高的生產(chǎn)效益。近年來(lái)，隨著AI技術(shù)的發(fā)展，制造行業(yè)逐步向著“智造”的方向轉(zhuǎn)變，形成人—信息—物理系統(tǒng)（Human-Cyber-Physical Systems，HCPS） [1]。然而，與自動(dòng)化裝配相比，檢測(cè)環(huán)節(jié)的自動(dòng)化程度較低，制約了生產(chǎn)效率的提升。

對(duì)于生產(chǎn)線上裝配的自動(dòng)檢測(cè)，常見(jiàn)的方式包括紅外檢測(cè)、電磁檢測(cè)、X射線檢測(cè)、聲學(xué)檢測(cè)和機(jī)器視覺(jué)檢測(cè)。隨著計(jì)算機(jī)算力的提高，機(jī)器視覺(jué)檢測(cè)顯現(xiàn)出高效、便捷、快速等特點(diǎn)[2]。在機(jī)器視覺(jué)檢測(cè)方面，已有學(xué)者開展了相關(guān)研究。魏中雨[3]等人采集零件和裝配體的圖像，通過(guò)Mask-RCNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練，判斷零件是否有漏裝，并利用Canny算子提取零件輪廓與正確裝配的圖像進(jìn)行比對(duì)，判斷是否存在誤裝。吳煥龍等[4]用工業(yè)CCD黑白相機(jī)拍攝射孔彈組件的圖像，利用視覺(jué)程序NI Vision和NI LabVIEW對(duì)圖像進(jìn)行濾波、分割，并提取邊緣，接著采用IMAQ的相關(guān)函數(shù)設(shè)計(jì)算法進(jìn)行檢測(cè)，識(shí)別不良裝配。杜保帥等[5]在YOLOv4 Tiny模型的基礎(chǔ)上進(jìn)行改進(jìn)，添加MA-RFB模塊和注意力模塊，對(duì)目標(biāo)零件進(jìn)行多尺度檢測(cè)。王映暉等[6]采用單目測(cè)距并結(jié)合YOLOv5檢測(cè)算法，以語(yǔ)音交互作為輔助，進(jìn)行目標(biāo)物體的定位識(shí)別。董元發(fā)等[7]針對(duì)鋼琴面板上螺釘錯(cuò)漏裝的問(wèn)題，通過(guò)建立P-AHL視覺(jué)檢測(cè)模型和改進(jìn)的哈希匹配算法進(jìn)行螺釘零件的漏裝檢測(cè)。楊樂(lè)等[8]對(duì)Inception V3模型和Xception神經(jīng)網(wǎng)絡(luò)進(jìn)行分析，使用全局平均池化對(duì)網(wǎng)絡(luò)進(jìn)行改進(jìn)，用于螺紋連接的識(shí)別。黃輝等[9]針對(duì)圖像亮度不均的問(wèn)題，采用Gamma算法進(jìn)行改進(jìn)，并在HSV圖像中提取顯示螺釘裝配缺失信息。然而，上述方法在零件的裝配檢測(cè)中，需要經(jīng)過(guò)多次圖像處理，過(guò)程較為煩瑣，且耗時(shí)較多。

隨著計(jì)算機(jī)性能和算力的提高，深度學(xué)習(xí)已經(jīng)得到了較好的發(fā)展，應(yīng)用于零件的裝配識(shí)別中，具有良好的自動(dòng)提取特征的能力。常見(jiàn)的卷積神經(jīng)網(wǎng)絡(luò)，如VGGNet[10]、GoogeNet[11]、ResNet[12]、YOLO（You Only Look Once） [13]系列等，能夠適應(yīng)不同尺度的特征提取需求。YOLOv5模型作為一種成熟的學(xué)習(xí)算法，常用于目標(biāo)檢測(cè)，具有高效準(zhǔn)確、速度快、輕量化等特點(diǎn)，尤其是在對(duì)區(qū)域內(nèi)小目標(biāo)檢測(cè)的性能方面較為突出。因此，本文選擇YOLOv5模型作為生產(chǎn)線上螺釘自動(dòng)檢測(cè)的算法模塊，以對(duì)殼體裝配件的螺釘是否有漏裝進(jìn)行自動(dòng)識(shí)別，旨在提高當(dāng)前螺釘缺失檢測(cè)的效率，節(jié)省生產(chǎn)時(shí)間。

1 YOLOv5模型

1.1 模型概述

YOLO系列算法是一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN） 的目標(biāo)檢測(cè)算法，在YOLOv5之前，已經(jīng)經(jīng)過(guò)四代的迭代更新。其中，YOLOv1和YOLOv2并沒(méi)有引入頸部網(wǎng)絡(luò)（Neck） ，在提取圖像特征時(shí)存在像素錯(cuò)位的問(wèn)題[14]。YOLOv3使用了Leaky ReLU激活函數(shù)，但由于不夠平滑，導(dǎo)致出現(xiàn)梯度消失和爆炸的問(wèn)題。YOLOv4在模型縮放時(shí)收斂性易惡化，同時(shí)計(jì)算開銷較大。而YOLOv5模型的尺寸更小，在速度、精度、輕量級(jí)設(shè)計(jì)、易用性和廣泛的應(yīng)用場(chǎng)景等方面，相較于YOLOv1-4具有顯著優(yōu)勢(shì)。YOLOv5模型通過(guò)一次前向傳播即可完成圖像中所有目標(biāo)的位置和類別預(yù)測(cè)，其采用CSPDarknet53作為基礎(chǔ)網(wǎng)絡(luò)架構(gòu)，這是一種輕量級(jí)且強(qiáng)大的網(wǎng)絡(luò)，能夠在保持檢測(cè)速度的同時(shí)提供較高的精度。算法中融入了特征金字塔網(wǎng)絡(luò)（FPN） 和路徑聚合網(wǎng)絡(luò)（PANet） ，兩者結(jié)合，通過(guò)不同尺度的特征圖融合，強(qiáng)化了模型對(duì)各種大小物體的檢測(cè)能力。主要算法包括特征提取、網(wǎng)絡(luò)分割和定位框預(yù)測(cè)三個(gè)部分。特征提取主要使用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)；網(wǎng)絡(luò)分割主要是將輸入圖像劃分為3×3或1×1的網(wǎng)格，每個(gè)網(wǎng)格負(fù)責(zé)檢測(cè)該區(qū)域內(nèi)的對(duì)象；定位框預(yù)測(cè)是在劃分后的每個(gè)網(wǎng)格中，由模型預(yù)測(cè)對(duì)象中心的位置和邊界框，并計(jì)算出置信度。

1.2 網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5模型的主要架構(gòu)如圖1所示，由骨干網(wǎng)絡(luò)（BackBone） 、頸部網(wǎng)絡(luò)（Neck） 和頭部網(wǎng)絡(luò)（Head） 三部分組成。骨干網(wǎng)絡(luò)對(duì)輸入的圖像進(jìn)行特征提取；頸部網(wǎng)絡(luò)負(fù)責(zé)對(duì)特征圖進(jìn)行多尺度特征融合，并將特征傳遞給預(yù)測(cè)層；頭部網(wǎng)絡(luò)進(jìn)行最終的回歸預(yù)測(cè)。

1） 骨干網(wǎng)絡(luò)（BackBone）

骨干網(wǎng)絡(luò)（BackBone） 主要將原始的輸入圖像轉(zhuǎn)化為多層特征圖，服務(wù)于后續(xù)的目標(biāo)檢測(cè)，包括Conv模塊、CSP/C3模塊和SPPF模塊。Conv模塊由卷積層、池化層、BN層和激活函數(shù)組成，屬于卷積神經(jīng)網(wǎng)絡(luò)，其中BN層具有防止過(guò)擬合、加速收斂的作用，激活函數(shù)為Silu函數(shù)，它是Sigmoid加權(quán)線性組合，處處可導(dǎo)且連續(xù)光滑。CSP/C3模塊由3個(gè)Conv塊構(gòu)成，該模塊主要對(duì)殘差特征進(jìn)行學(xué)習(xí)，用于增加網(wǎng)絡(luò)的深度，提高特征提取的能力。SPPF模塊是一種池化模塊，通過(guò)該模塊實(shí)現(xiàn)了局部特征和全局特征的融合。經(jīng)過(guò)局部特征與全局特征相結(jié)合，能夠豐富特征圖的表達(dá)能力，有利于待檢測(cè)圖像中目標(biāo)大小差異較大的情況，旨在實(shí)現(xiàn)輸入數(shù)據(jù)的空間不變性和位置不變性，提高神經(jīng)網(wǎng)絡(luò)的識(shí)別能力。

2） 頸部網(wǎng)絡(luò)（Neck）

頸部網(wǎng)絡(luò)（Neck） 通常與骨干網(wǎng)絡(luò)結(jié)合在一起，進(jìn)行多尺度特征融合，該模塊主要采用PANet結(jié)構(gòu)，在FPN上提取網(wǎng)絡(luò)內(nèi)的特征層次結(jié)構(gòu)。FPN中的頂部信息流需要通過(guò)骨干網(wǎng)絡(luò)（BackBone） 逐層向下傳遞。通過(guò)自頂向下和自底向上的特征融合方式，底層的位置信息能夠傳遞到深層，整合不同層次的特征圖，提供更豐富的特征信息，從而增強(qiáng)模型對(duì)不同尺度目標(biāo)的檢測(cè)能力，尤其是在小目標(biāo)檢測(cè)時(shí)，準(zhǔn)確性會(huì)更高。

3） 頭部網(wǎng)絡(luò)（Head）

頭部網(wǎng)絡(luò)（Head） 的作用是進(jìn)行最終的回歸預(yù)測(cè)，主要負(fù)責(zé)對(duì)骨干網(wǎng)絡(luò)提取的特征圖進(jìn)行多尺度目標(biāo)檢測(cè)。Head中的3個(gè)檢測(cè)層分別對(duì)應(yīng)Neck中得到的3種不同尺寸的特征圖，其中的Detect模塊由多個(gè)1×1卷積層組成，對(duì)Neck中得到的不同尺度的特征圖通過(guò)1×1卷積將通道數(shù)擴(kuò)展，用于對(duì)特征圖進(jìn)行升維或降維操作，獲取輸出層的分類和定位信息，包括邊界框的位置、大小和類別。

2 螺釘裝配檢測(cè)

2.1 硬件系統(tǒng)設(shè)計(jì)

本文以某企業(yè)生產(chǎn)線上的一小型殼體裝配件為檢測(cè)對(duì)象，待檢裝配體外觀如圖2所示，對(duì)其表面裝配的螺釘進(jìn)行識(shí)別。該殼體裝配件由正面和反面上的多個(gè)螺釘連接進(jìn)行封裝，尤其是正面上的螺釘。在生產(chǎn)線上由人工進(jìn)行檢查時(shí)，容易受到表面上各種按鈕、開關(guān)、字母等其他外觀因素的干擾，造成工人未能識(shí)別出漏裝的螺釘，從而導(dǎo)致不合格品的產(chǎn)生。

為解決人工目視檢測(cè)中容易發(fā)生識(shí)別紕漏的問(wèn)題，本文采用機(jī)器視覺(jué)自動(dòng)檢測(cè)的方法對(duì)螺釘裝配進(jìn)行自動(dòng)識(shí)別檢測(cè)。首先，需要對(duì)檢測(cè)系統(tǒng)硬件部分的方案進(jìn)行設(shè)計(jì)。硬件檢測(cè)系統(tǒng)方案如圖3所示，其功能主要是自動(dòng)采集圖像，并利用系統(tǒng)已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)采集到的圖像進(jìn)行識(shí)別，輸出檢測(cè)結(jié)果。

該檢測(cè)系統(tǒng)由工控機(jī)、顯示器、工業(yè)相機(jī)、鏡頭和面光源等部分組成。工控機(jī)選擇DELL Precision T7960工作站，搭載RTX A4000型顯卡、Intel W7-3445型處理器，256GB SSD和2TB HDD存儲(chǔ)，配備DELL P2422H-1080P顯示器。相機(jī)選用海康威視MV-CS050-10GC型CMOS彩色工業(yè)相機(jī)，具有500萬(wàn)像素，搭配海康威視MVL-MF0828M-8MP鏡頭，焦距為8 mm，光圈可調(diào)范圍為F2.8-F16。面光源采用CLD-370-W白色面陣型隧道光源，色溫為6 500 K。工件放置于工作臺(tái)，并由擋鐵進(jìn)行定位，復(fù)雜形狀的工件可使用專用工裝夾緊。面光源設(shè)置在工作臺(tái)的正上方，目的是確保拍攝環(huán)境光線均勻。工業(yè)相機(jī)固定在上方，用于在檢測(cè)過(guò)程中對(duì)工件進(jìn)行實(shí)時(shí)拍攝，采集圖像，通過(guò)圖像識(shí)別檢測(cè)程序?qū)β葆數(shù)难b配進(jìn)行識(shí)別，并實(shí)時(shí)在顯示器上顯示檢測(cè)結(jié)果。若識(shí)別出有漏裝的情況，可以進(jìn)行報(bào)警設(shè)置或其他提醒設(shè)置，告知工作人員檢測(cè)結(jié)果不合格。

2.2 螺釘識(shí)別

本文采用YOLOv5模型對(duì)螺釘進(jìn)行檢測(cè)識(shí)別。首先，需要對(duì)圖像進(jìn)行采集，采集的目的是獲得原始數(shù)據(jù)集，并進(jìn)行數(shù)據(jù)集劃分，以便后續(xù)進(jìn)行特征標(biāo)注和神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。為了在圖像中識(shí)別需要檢測(cè)的特征，必須對(duì)特征進(jìn)行標(biāo)注，本文要檢測(cè)的特征即是螺釘區(qū)域的局部圖像。通過(guò)在圖像中創(chuàng)建包含檢測(cè)目標(biāo)的邊界框，對(duì)螺釘進(jìn)行標(biāo)注。然后，預(yù)選擇權(quán)重文件，并對(duì)模型進(jìn)行配置，調(diào)整相關(guān)參數(shù)，對(duì)前期采集的包含螺釘標(biāo)注的圖像進(jìn)行訓(xùn)練，訓(xùn)練的目的是獲得模型在達(dá)到最佳識(shí)別性能時(shí)的權(quán)重文件。最后，對(duì)于需要識(shí)別的圖像，即生產(chǎn)中需要檢測(cè)的裝配體外表面，利用已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，便可對(duì)其進(jìn)行識(shí)別。螺釘裝配識(shí)別檢測(cè)的流程如圖4所示。

2.2.1 數(shù)據(jù)采集與特征標(biāo)注

本文對(duì)小型殼體裝配件進(jìn)行圖像采集，通過(guò)工業(yè)相機(jī)對(duì)裝配體外觀進(jìn)行拍攝，以確保拍攝的圖片盡可能多地包含待檢測(cè)螺釘所在的局部區(qū)域。所拍攝的圖片主要作為數(shù)據(jù)集用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。由于是針對(duì)特定裝配體的單一特征進(jìn)行檢測(cè)，圖像采集量無(wú)須過(guò)多，因此數(shù)據(jù)集按照8∶1∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，其中訓(xùn)練集約包含20張圖像。

在圖片采集完成后，需要對(duì)特征進(jìn)行標(biāo)注。標(biāo)注的目的是劃定測(cè)試和訓(xùn)練范圍，當(dāng)把圖像作為測(cè)試集輸入模型進(jìn)行訓(xùn)練時(shí)，模型便可自動(dòng)對(duì)標(biāo)注區(qū)域進(jìn)行檢索。本文采用標(biāo)注工具LabelImg軟件對(duì)螺釘進(jìn)行邊界框的繪制，完成螺釘特征的標(biāo)記，部分標(biāo)注結(jié)果如圖5所示。

圖中4個(gè)圓點(diǎn)所在的標(biāo)注框選定的區(qū)域即為要標(biāo)注的特征。特征標(biāo)簽化后，特征參數(shù)中的n表示特征的類別。由于本次只對(duì)十字螺釘進(jìn)行標(biāo)注，因此n的取值僅為0。x、y為特征區(qū)域的中心點(diǎn)坐標(biāo)，width和height分別是特征區(qū)域的寬度和高度，數(shù)值大小均為標(biāo)注框相對(duì)于圖像尺寸的比例值，范圍通常從0到1。部分標(biāo)簽參數(shù)見(jiàn)表1。

2.2.2 模型訓(xùn)練

在YOLOv5模型中，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，模型本身的訓(xùn)練網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)（CNN） 。由于CNN更加關(guān)注局部信息，同時(shí)也可以簡(jiǎn)化模型，因此在進(jìn)行局部特征的識(shí)別檢測(cè)時(shí)，展現(xiàn)出顯著的優(yōu)勢(shì)。卷積網(wǎng)絡(luò)由輸入層、卷積層、池化層和輸出層組成，如圖6所示。在輸入層獲得數(shù)據(jù)之后，將其傳輸給卷積層，與卷積核（卷積網(wǎng)絡(luò)中的權(quán)重） 進(jìn)行卷積操作，并經(jīng)過(guò)池化層降低數(shù)據(jù)維度，最后通過(guò)輸出層生成物體邊框、置信度和物體分類，從而得到檢測(cè)結(jié)果。

訓(xùn)練過(guò)程如圖7所示，分為兩個(gè)階段。第一個(gè)階段是數(shù)據(jù)由低層次向高層次傳播的階段，即前向傳播階段。另一個(gè)階段是當(dāng)前向傳播得出的結(jié)果與預(yù)期不相符時(shí)，將誤差從高層次向低層次進(jìn)行傳播的訓(xùn)練階段，即反向傳播階段。

由于在對(duì)生產(chǎn)線上的裝配體進(jìn)行識(shí)別檢測(cè)時(shí)更注重訓(xùn)練識(shí)別的速度，本文根據(jù)模型深度和寬度參數(shù)的不同，選擇輕量化的yolov5s.pt作為預(yù)訓(xùn)練的權(quán)重文件。通過(guò)設(shè)置訓(xùn)練輪次為200輪，以CPU進(jìn)行訓(xùn)練，對(duì)已采集的部分標(biāo)記數(shù)據(jù)進(jìn)行學(xué)習(xí)，從而獲取最優(yōu)的權(quán)重文件用于螺釘?shù)淖R(shí)別檢測(cè)。訓(xùn)練得到的可視化結(jié)果部分示例見(jiàn)圖8，其中圖（a）反映了準(zhǔn)確率與置信度的關(guān)系，圖（b）反映了召回率與置信度的關(guān)系，圖（c）顯示的是均值平均精度。

2.2.3 識(shí)別檢測(cè)

在完成網(wǎng)絡(luò)訓(xùn)練并獲得最優(yōu)的權(quán)重文件best.pt之后，便可以利用該權(quán)重模型對(duì)待檢測(cè)圖像進(jìn)行識(shí)別。在生產(chǎn)線上，可以通過(guò)工業(yè)相機(jī)實(shí)時(shí)拍攝殼體裝配件的圖像，導(dǎo)入到檢測(cè)系統(tǒng)進(jìn)行分析。該殼體裝配件的檢測(cè)結(jié)果如圖9所示，圖（b）中的方框即為自動(dòng)識(shí)別出的螺釘區(qū)域，上方數(shù)字表示檢測(cè)結(jié)果的置信度。

3 結(jié)論

本文提出了一種基于YOLOv5模型對(duì)裝配件的螺紋連接有無(wú)缺失進(jìn)行檢測(cè)的方法，所選網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)（CNN） ，對(duì)局部小目標(biāo)的檢測(cè)具有明顯優(yōu)勢(shì)。由于針對(duì)特定產(chǎn)品的生產(chǎn)線檢測(cè)，只需采集少量（約20張） 不同角度的螺釘圖像進(jìn)行訓(xùn)練，避免了大規(guī)模數(shù)據(jù)的采集，從而降低了訓(xùn)練成本和時(shí)間。在檢測(cè)過(guò)程中，通過(guò)相機(jī)拍攝待檢裝配體，自動(dòng)對(duì)圖像進(jìn)行識(shí)別。結(jié)果表明，該方法檢測(cè)的準(zhǔn)確率為0.909，召回率為0.834，檢測(cè)時(shí)間在100 ms左右，檢測(cè)速度較快，隨著不同圖像中螺釘數(shù)量的變化略有區(qū)別。在對(duì)螺釘缺失進(jìn)行判斷時(shí)，準(zhǔn)確率較高，顯著節(jié)省了人工操作時(shí)間，改善了人工檢測(cè)中容易受到人為因素影響的問(wèn)題。

然而，在對(duì)本文殼體裝配件上的螺釘進(jìn)行檢測(cè)時(shí)，由于殼體外形方正，且螺釘均位于殼體外表面，待檢測(cè)特征位置的局部區(qū)域遮擋較少，識(shí)別效果較好。若裝配體的外形復(fù)雜且不規(guī)則，待檢區(qū)域遮擋嚴(yán)重，在采集圖片時(shí)可能導(dǎo)致特征圖像拍攝不全，從而降低識(shí)別的準(zhǔn)確性，甚至出現(xiàn)錯(cuò)誤。因此，下階段可對(duì)殘缺圖像的特征識(shí)別進(jìn)行研究，以解決復(fù)雜外形和工況下裝配體自動(dòng)檢測(cè)的問(wèn)題。

參考文獻(xiàn)：

[1] 王柏村，易兵，劉振宇，等.HCPS視角下智能制造的發(fā)展與研究[J].計(jì)算機(jī)集成制造系統(tǒng)，2021，27（10）：2749-2761.

[2] 趙朗月，吳一全.基于機(jī)器視覺(jué)的表面缺陷檢測(cè)方法研究進(jìn)展[J].儀器儀表學(xué)報(bào)，2022，43（1）：198-219.

[3] 魏中雨，黃海松，姚立國(guó).基于機(jī)器視覺(jué)和深度神經(jīng)網(wǎng)絡(luò)的零件裝配檢測(cè)[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2020（3）：74-77，82.

[4] 吳煥龍，周彥，向旭.基于機(jī)器視覺(jué)的射孔彈自動(dòng)化裝配檢測(cè)[J].自動(dòng)化與儀器儀表，2022（1）：59-62.

[5] 杜保帥，房桐，趙燕成，等. 基于改進(jìn)YOLOv4-Tiny的機(jī)械零件目標(biāo)檢測(cè)算法[J].傳感技術(shù)學(xué)報(bào)，2024，37（2）： 303-309.

[6] 王映暉，邱文惠，劉廣臣.基于YOLOv5的室內(nèi)小物品識(shí)別定位關(guān)鍵算法研究[J].電腦知識(shí)與技術(shù)，2024，20（7）：15-17.

[7] 董元發(fā)，袁慶松，查靚，等.鋼琴面板螺釘錯(cuò)漏智能視覺(jué)檢測(cè)方法研究[J].機(jī)械設(shè)計(jì)與制造，2019（4）：73-77.

[8] 楊樂(lè)，甘忠，李義龍，等.基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的零件識(shí)別[J].儀表技術(shù)與傳感器，2022（5）：82-87.

[9] 黃輝，胡丹，翁劍峰，等.基于機(jī)器視覺(jué)的汽車車燈螺絲裝配缺失檢測(cè)系統(tǒng)設(shè)計(jì)[J].數(shù)碼設(shè)計(jì)，2017，9（60）：67.

[10] SIMONYAN K， ZISSERMAN A. Very Deep Convolutional Networks for Large-Scale Image Recognition[C]//International Conference on Learning Representations， San Diego， CA， USA. 2015： arXiv.1409.1556.

[11] SZEGEDY C，LIU W，JIA Y Q，et al.Going deeper with convolutions[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.June 7-12，2015，Boston，MA，USA.IEEE，2015：1-9.

[12] He K M，ZhangX Y，Ren S Q，et al. Deep Residual Learning for lmage Recognition[C]//2016 IEEE Conferenee on Computer Vision and Pattern Recognition.LasVegas，NV，USA，2016.

[13] REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once：unified，real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.June 27-30，2016，Las Vegas，NV，USA.IEEE，2016：779-788.

[14] 徐彥威，李軍，董元方，等.YOLO系列目標(biāo)檢測(cè)算法綜述[J].計(jì)算機(jī)科學(xué)與探索，2024，18（9）：2221-2238.

【通聯(lián)編輯：唐一東】