文献类型：期刊文章

作　　者：余永维[1] 韩鑫[1] 杜柳青[1]

YU Yong-wei;HAN Xin;DU Liu-qing(College of Mechanical Engineering, Chongqing University of Technology, Chongqing 400054, China)

机构地区：[1]重庆理工大学机械工程学院,重庆400054

出　　处：《光学精密工程》

基　　金：重庆市基础与前沿研究计划基金资助项目(No.cstc2017jcyjAX0344);国家自然科学基金资助项目(No.51775074)。

年　　份：2020

卷　　号：28

期　　号：8

起止页码：1799-1809

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对传统目标检测方法不能兼顾目标识别精度和检测实时性,且在实际生产复杂工况下识别效果不佳的问题,提出一种基于Inception-SSD框架的零件深度学习识别方法。首先,提出了融合Inception预测结构的SSD优化框架Inception-SSD,将Inception网络结构引入到SSD网络额外层中,并使用批量标准化模块(BN)和残差结构连接,从而捕获更多目标信息而又不会增加网络复杂性,以提高检测准确率而又不影响其检测速度,并增加算法鲁棒性;然后提出在原损失函数基础上增加排斥损失项以改进损失函数,同时采用一种基于加权算法的非极大值抑制方法,克服模型表达能力不足的缺点。最后,将改进前后SSD算法在自制零件数据集上进行训练和测试,实验结果表明本文方法在实际生产过程复杂情况下检测准确率达到97.8%,相比原SSD算法提升11.7%,检测速率41 frame/s。在提高检测精度同时还保证了实时性,能够满足实际生产环境零件检测需求。

关 键 词：深度学习  目标检测 零件识别  Inception结构  残差结构  

分 类 号：TP273.5]