改进的EfficientDet及直方图均衡化的工件检测算法研究

针对流水线加工作业环境下工业机器人对工件检测及定位率较低,速度慢等问题,提出基于改进的EfficientDet工件检测神经网络模型。采用EfficientNet作为主干特征提取网络,利用Triplet Attention注意力机制代替原始的SE Attention机制,同时借鉴循环特征融合思想,采用Recursive-BiFPN循环特征融合网络结构。针对正负样本不均等问题,采用generalized focal loss改进原始focal loss损失函数。考虑到机械加工特定生产环境,采用直方图均衡化思想对数据进行对比度提高。最后利用工业相机建立自制数据集并进行模型训练,在复杂工业生产情况下,改进后的EfficientDet在mAP上较原始网络提高6.1%,同时速度提高到72帧/s。最后实验结果表明,该算法在生产环境下能快速准确地对工件进行定位检测,为实际生产需要提供新的解决思路。

基于权重和BN层剪枝的晶界检测模型压缩算法探析

性能优越的晶界缺陷检测模型往往存在网络参数量过多、结构冗余及推理时间慢的问题,导致模型部署过程成本高、时延长。针对上述问题,通过稀疏化权重和通道剪枝对晶界检测算法EfficientDet网络进行模型压缩。由数据验证可知,剪枝后的晶界模型检测时间约降为1/2,参数量降低70%,网络模型计算量FLOPs降低60%左右。