基于改进Faster RCNN的零件识别方法研究

摘要：

针对传统机器视觉检测识别方法受到装配零件之间相互遮挡、零件不同位姿、外部光照强度、小目标漏检影响,检测准确率不高的问题,提出了一种改进的Faster RCNN(region-based convoluti-onal neural networks)零件识别方法.首先使用提取特征更好的ResNet101网络代替原始Faster RCNN模型中的VGG16特征提取网络;其次针对原始候选区域网络,增加2个新的锚点并重新设置候选框的纵横比,以得到15种尺寸不同的锚点;然后针对传统非极大值抑制(non-maximum suppression,NMS)方法因删除交并比大于阈值的候选框而出现漏检问题,使用Soft-NMS方法替换传统的NMS方法,从而减少密集区域漏检的情况;最后在训练模型阶段采用多尺度训练策略,降低漏检率,提高模型准确率.对零件的识别实验结果表明:改进后的Faster RCNN模型能够达到96.1％的精度,较原始模型提升了4.6％,可以满足光照较强、存在水渍干扰等较为复杂环境中零件的识别检测.

关键词：零件识别;Faster RCNN;ResNet101;候选区域

所属期刊栏目：43

分类号：TN206;TP183(光电子技术、激光技术)

资助基金：河北省自然科学基金;唐山市科技计划项目;河北省自然科学基金

在线出版日期：2022-03-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：67-73