基于改进YOLOv4的工件识别

针对传统装配机器人工件自动识别速度慢、精度低等问题,提出一种基于改进YOLOv4的工件识别方法。首先,采用简化Moblienetv3替换YOLOv4框架的特征提取网络;其次,将YOLOv4深层网络的标准卷积层替换为深度可分离卷积层;最后,增加104×104的特征检测尺度,并使其与另外三个尺度(52×52,26×26,13×13)进行融合。搭建了螺栓、螺母、轴等典型工件的图像数据采集平台,构建训练样本集并进行网络训练。测试结果表明,在工件识别任务中,与传统YOLOv4算法相比,网络参数规模减小87.10%,检测速度提高39.86%,初步满足实际生产中工件自动检测需求。

基于轻量化YoloV5的谷穗实时检测方法

针对复杂谷田场景中谷穗密集、尺寸较小且遮挡严重的情况,适用于此环境的目标检测模型要求较高算力,在移动设备上实现谷穗实时检测存在困难等问题,本研究提出一种基于YoloV5的轻量化谷穗实时检测方法。将YoloV5s的主干特征提取网络替换成具有注意力机制的MobilenetV3轻量化模型,采用在多特征融合检测结构增加微尺度检测层,后处理使用Merge-NMS算法,将不同改进方法重构的模型在自建的谷穗数据集上进行训练和测试。结果表明,本研究改进的模型平均检测精度达到97.78%,F1分数为94.20%,模型大小仅为7.56 MB,每幅图像的平均检测时间为0.023 s,与经典目标检测模型比较,表现出较强的鲁棒性和泛化能力。本研究改进的轻量化YoloV5谷穗检测模型能克服复杂环境的影响,显著提高谷穗在密集分布及遮挡条件下的检测效果,为移动设备上实现谷穗实时检测提供技术参考。

基于热图感知的复杂场景港口箱号检测算法

受自然场景下光照、遮挡和多方向多尺度等情况的影响,港口场景下集装箱号码的精准检测仍然面临着巨大的挑战。为解决箱号检测中多余背景和干扰字符问题,根据集装箱号文本字符的结构规律,设计了一个基于热图感知的像素级箱号检测架构。通过融合CBAM的MobileNetV3轻量级初定位网络获取目标箱号预选区域,构建基于Transformer的像素级字符区域自适应网络,从预选区域中精准提取箱号感兴趣区域。基于实际数据集的结果表明,所提算法能够达到97.5%的箱号定位准确率,并能达到25帧/秒的实时性,满足实际的场景需求。