基于改进型SSD的多类汽车车身冲压件识别算法

发布时间：2020-12-21 15:50

　　智能机器人在汽车生产制造中有着重要意义,准确地识别抓取任务中的目标是基于视觉引导的汽车车身冲压件抓取系统的基础。针对传统工件识别算法人工提取特征困难、通用性差、识别率不高且易受环境因素影响等问题,首先采用深度学习SSD网络模型对10类汽车车身冲压件进行识别。在此基础上,为了提高工件识别准确率,改善工件相互遮挡情况下识别差的问题,提出一种改进的SSD算法,引入残差网络,采用Resnet-50替换原SSD的基础网络VGG-16。实验结果表明:原始的SSD网络在自制的工件数据集评估集上的平均准确率均值m AP为92. 3%,改进后的SSD网络检测的平均准确率均值m AP为98. 3%,比原始的SSD网络提高了6%,基于Resnet-50改进的SSD模型具有更高的识别准确率、更好的遮挡识别效果以及更强的泛化性能。 

【文章来源】：重庆理工大学学报(自然科学). 2020年07期 北大核心

【文章页数】：8 页

【部分图文】：

数据集:10类汽车车身冲压件

原始的SSD模型的整体结构如图2所示，模型的输入图像尺寸为300×300。SSD模型以VGG16为基础网络，进行特征提取。它基于VGG16，但在VGG16的基础上有所改变，借鉴了DeepLab-LargeFOV，采用了一种Atrous算法，在Conv6层中扩展卷积。SSD模型在不增加参数与模型复杂度的情况下以指数方式扩大卷积的视野，把FC6和FC7两个全连接层换成了两个带有扩展卷积的卷积网络层Conv6和Conv7，并除去随机失活层和FC8层，添加一系列卷积层以形成整个模型的框架。2.1.2 先验框设置

特征图检测过程如图3所示。对得到的特征图进行卷积，将从卷积网络中提取得到的Conv4＿3,Conv7,Conv8＿2,Conv9＿2,Conv10＿2,Conv11＿2这6个特征图作为检测所用的特征图，并分别与两个不同的3×3的卷积核卷积，一个输出分类用的置信度，因为一共有10种工件，加上背景类别，所以每个默认框生成11个类别置信度，其中有一个置信度为背景类别的置信度;一个输出回归用的目标边界框位置，每个默认框生成4个坐标值(x,y,w,h)，分别表示目标边界框的中心坐标以及宽高。对于每个预测框，首先基于类别置信度确定其类别和置信度值，并过滤属于背景的预测框。然后根据置信度阈值过滤掉具有较低阈值的预测框。解码留下的预测框并根据先验框得到其真实位置参数。在解码之后，根据置信度降序排列，仅保留Top-k个预测框。最后，采用非极大值抑制(non-maxinum suppression,NMS)算法过滤具有大重叠的预测框，剩下的预测框就是检测结果。2.2 改进的SSD工件识别模型

【参考文献】：
期刊论文
[1]基于改进型SSD算法的目标车辆检测研究[J]. 陈冰曲,邓涛.  重庆理工大学学报(自然科学). 2019(01)
[2]自然环境下多类水果采摘目标识别的通用改进SSD模型[J]. 彭红星,黄博,邵园园,李泽森,张朝武,陈燕,熊俊涛.  农业工程学报. 2018(16)
[3]基于卷积神经网络的工件识别算法[J]. 徐一丁,杜慧敏,毛智礼,张丽果,顾文宁.  组合机床与自动化加工技术. 2018(04)
[4]基于机器视觉的工件定位和识别[J]. 陈泽宁,张学习,彭泽荣,钟凯宇.  电子科技. 2016(04)
[5]基于LBP和SVM的工件图像特征识别研究[J]. 吴益红,许钢,江娟娟,毕运锋.  重庆理工大学学报(自然科学). 2016(01)
[6]基于SVM的机器人工件识别[J]. 龙晓林,蒋静坪.  华中科技大学学报(自然科学版). 2005(02)

硕士论文
[1]基于机器视觉的工业机器人定位抓取技术的研究[D]. 曾志伟.广东工业大学 2018
[2]基于机器人视觉的多类型工件识别与定位问题研究[D]. 马庭田.南京航空航天大学 2018
[3]基于深度相机的场景物体定位与抓取研究[D]. 周逸徉.南京大学 2017
[4]基于单目视觉的工件定位与机器人抓取技术研究[D]. 曾鹏.大连理工大学 2017
[5]基于深度视觉的机器人自动抓取技术研究[D]. 罗锦聪.华南理工大学 2016
[6]基于几何形状特征的工件识别方法研究[D]. 韩翀蛟.大连理工大学 2014



本文编号：2930090