楊 琳，陳賽旋，崔國(guó)華，朱新龍

(上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院，上海 201620)

0 引言

深度學(xué)習(xí)憑借著計(jì)算機(jī)硬件技術(shù)的不斷革新已成為機(jī)器視覺中熱門的研究方向，其中基于深度學(xué)習(xí)的零件識(shí)別與定位是備受關(guān)注的研究?jī)?nèi)容之一。傳統(tǒng)零件識(shí)別與定位主要是基于模板匹配(Template Matching)算法[1]，待識(shí)別零件必須以固定大小和角度等要求擺放在相對(duì)簡(jiǎn)單的環(huán)境之中，無法滿足在相對(duì)復(fù)雜環(huán)境中對(duì)零件進(jìn)行實(shí)時(shí)且精準(zhǔn)的識(shí)別與定位要求。而深度學(xué)習(xí)相比傳統(tǒng)算法有更優(yōu)的識(shí)別能力、計(jì)算速度和檢測(cè)精度[2]。

近年來，各國(guó)研究者致力于降低目標(biāo)檢測(cè)算法的訓(xùn)練成本，提高算法精度并縮減推理時(shí)間，如2015年，Girshick等人受何愷明提出的空間金字塔池化網(wǎng)絡(luò)(Spatial Pyramid Pooling Networks:SPPnet)[3]啟發(fā)，將計(jì)算速度慢且內(nèi)存占用大的R-CNN(Region-based Convolutional Neural Networks)[4]改進(jìn)為結(jié)構(gòu)更精巧的Fast R-CNN[5],大幅提高了計(jì)算速度；2016年，Redmon J等提出了YOLO目標(biāo)檢測(cè)算法[6]，將檢測(cè)問題視為回歸問題，網(wǎng)絡(luò)框架簡(jiǎn)單，識(shí)別速度快；同年， Liu W等提出了比YOLO精度更高的SSD(Single shot detection)[7]，但這個(gè)精度優(yōu)勢(shì)很快就被YOLOv2[8]打破。

為了提高工業(yè)生產(chǎn)中多角度無序零件識(shí)別準(zhǔn)確率和定位精準(zhǔn)性，在原有YOLOv4[9]基礎(chǔ)上設(shè)計(jì)了一種針對(duì)性的零件識(shí)別與定位高效網(wǎng)絡(luò)，首先，在優(yōu)化算法上使用AdaBelief[10]代替原有SGDM[11]；其次，在預(yù)測(cè)邊界框計(jì)算方法中加入Canny邊緣檢測(cè)[12]和Sklansky算法[13]，使用凸包和最小外接矩形框代替原有預(yù)測(cè)邊界框；最后，在制作的零件數(shù)據(jù)集上進(jìn)行基于改進(jìn)YOLOv4的零件識(shí)別與定位實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該基于改進(jìn)YOLOv4算法的零件識(shí)別與定位方法提高了收斂速度和識(shí)別精度，可提供精準(zhǔn)的零件凸包和最小外接矩形框，以及最小外接矩形框四個(gè)角點(diǎn)的坐標(biāo)，可為工業(yè)智能制造中諸如分揀機(jī)器人的抓取檢測(cè)等工序提供更精準(zhǔn)的定位依據(jù)。

1 YOLOv4目標(biāo)檢測(cè)算法

2020年4月， Redmon J等接棒YOLOv3[14]，在原有基礎(chǔ)上，通過排列組合各種先進(jìn)卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化技巧的方式進(jìn)行優(yōu)化驗(yàn)證實(shí)驗(yàn)，總結(jié)出了在帕累托曲線上達(dá)到速度與精度最優(yōu)平衡的YOLOv4，相比YOLOv3，在MS COCO數(shù)據(jù)集上平均精度(Average Precision:AP)提高了10%，檢測(cè)幀率(Frames Per Second:FPS)提高了12%，是目前最強(qiáng)大的目標(biāo)檢測(cè)算法之一。

其中，YOLOv4的骨干網(wǎng)絡(luò)采用CSP Dark-net53，顯著地增強(qiáng)了感受域的大小，使用PANet(Path Aggregation Network)特征融合網(wǎng)絡(luò)，且連接方式修改為更優(yōu)的相乘，頭部則仍延續(xù)了YOLOv3的一步法(One-Stage)，無需生成候選區(qū)域。另外，YOLOv4還使用了許多優(yōu)化技巧，如馬賽克(Mosaic)數(shù)據(jù)增強(qiáng)，自對(duì)抗訓(xùn)練數(shù)據(jù)增強(qiáng)(SAT)，隨機(jī)丟棄特征圖特征塊(DropBlock)正則化法，跨階段局部網(wǎng)絡(luò)(CSPNet)等。

2 改進(jìn)的YOLOv4目標(biāo)檢測(cè)算法

2.1 改進(jìn)優(yōu)化算法

YOLOv4使用的優(yōu)化算法為較為傳統(tǒng)的帶動(dòng)量梯度下降法(SGDM)，改進(jìn)自1951年Herbert Robbins提出的隨機(jī)梯度下降法(SGD)[15]，收斂速度較慢，容易陷入局部最小點(diǎn)，但近年發(fā)展迅速的自適應(yīng)學(xué)習(xí)率法如Adam[16]等相比梯度下降法仍存在泛化能力較差，檢測(cè)精度不穩(wěn)定等問題。

針對(duì)以上問題，對(duì)YOLOv4進(jìn)行優(yōu)化算法改進(jìn)對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)中，分別使用AdaBelief、Adam和前期Adam[16]后期SGDM三種方法，并與原始SGDM進(jìn)行對(duì)比。其中，AdaBelief為可根據(jù)當(dāng)前梯度與其指數(shù)移動(dòng)平均值(EMA)的差值來調(diào)整步長(zhǎng)的高效自適應(yīng)學(xué)習(xí)率法。

優(yōu)化算法對(duì)比實(shí)驗(yàn)中，統(tǒng)一在VOC2007標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行訓(xùn)練和檢測(cè)，并根據(jù)訓(xùn)練時(shí)的收斂速度和檢測(cè)時(shí)的識(shí)別精度對(duì)實(shí)驗(yàn)進(jìn)行評(píng)價(jià)。VOC2007是衡量目標(biāo)檢測(cè)算法識(shí)別能力的小規(guī)模標(biāo)準(zhǔn)數(shù)據(jù)集，共包含20個(gè)種類，共計(jì)9963張圖像，訓(xùn)練集5011張圖像，測(cè)試集4952張圖像，其中訓(xùn)練集在訓(xùn)練時(shí)會(huì)按9:1的比例分為訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)，在訓(xùn)練數(shù)據(jù)上可得到訓(xùn)練損失(tain loss)，體現(xiàn)訓(xùn)練的擬合能力，loss值越低表示訓(xùn)練擬合能力越好，反之越差，在驗(yàn)證數(shù)據(jù)上可得到驗(yàn)證損失(val loss)，體現(xiàn)未知數(shù)據(jù)的擬合能力，即算法的泛化能力，loss值越低表示泛化能力越好，反之越差。

實(shí)驗(yàn)參數(shù)設(shè)置為：學(xué)習(xí)率(Learning_rate)為0.001,每批次送入網(wǎng)絡(luò)的圖像數(shù)量(Batch_size)為64，訓(xùn)練期數(shù)(epoch)為100，輸入圖片分辨率(Input_shape)為416×416，不同優(yōu)化算法的參數(shù)為：SGDM的動(dòng)量(Momentum)為0.9，Adam的權(quán)重衰減 (Weight_decay)為0.000 5，AdaBelief的指數(shù)衰減率(Betas1,2)分別為0.9和0.999。

具體實(shí)驗(yàn)過程為：首先在VOC2007訓(xùn)練集上分4次訓(xùn)練使用原始SGDM、Adam、SGDM切換Adam和AdaBelief優(yōu)化算法的YOLOv4，其中Adam切換SGDM為前期使用Adam迭代至50epoch，加快loss下降速度，然后切換為SGDM對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行數(shù)值調(diào)優(yōu)；其次在每次訓(xùn)練結(jié)束后，保存訓(xùn)練過程的數(shù)據(jù)，并從數(shù)據(jù)中分別提取出tain loss和val loss在訓(xùn)練時(shí)每個(gè)epoch的數(shù)值；最后，將提出來的數(shù)據(jù)進(jìn)行整合，分別繪制成tain loss和val loss隨epoch下降的曲線圖。

如圖1所示，使用AdaBelief的YOLOv4在訓(xùn)練時(shí)loss下降速度和最終收斂效果均有所提升，表明選擇AdaBelief作為優(yōu)化算法可以提升網(wǎng)絡(luò)的擬合能力和泛化能力。

(a) tain loss

(b) val loss圖1 loss下降圖

將訓(xùn)練好的權(quán)重載入網(wǎng)絡(luò)，在VOC2007測(cè)試集上使用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試，并采用通用的目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)平均精確度均值(mAP:Mean Average Precision)評(píng)價(jià)4種不同優(yōu)化算法對(duì)YOLOv4識(shí)別精度的影響。mAP為各類別AP(Average Precision)的平均值，表示網(wǎng)絡(luò)在測(cè)試集上的綜合識(shí)別能力，AP為以準(zhǔn)確率(Precision)為縱軸，召回率(Recall)為橫軸的“P-R圖”中“P-R曲線”下的面積，表示網(wǎng)絡(luò)在測(cè)試集中某一種類別的識(shí)別精度。

優(yōu)化算法對(duì)比實(shí)驗(yàn)的具體測(cè)試結(jié)果如表1所示。

表1 優(yōu)化算法識(shí)別精度表

如表1所示，在VOC2007測(cè)試集上使用SGDM的測(cè)試mAP為80.06%，而使用AdaBelief的測(cè)試mAP達(dá)84.23%，相比SGDM提高了4.17%，且比使用Adam和Adam切換SGDM的mAP均更高。實(shí)驗(yàn)結(jié)果表明，使用AdaBelief的YOLOv4在VOC2007標(biāo)準(zhǔn)數(shù)據(jù)集上收斂速度更快，收斂效果更好，mAP更高。

2.2 改進(jìn)預(yù)測(cè)邊界框

YOLOv4的預(yù)測(cè)邊界框計(jì)算方法為：先通過交并比(Intersection-over-Union: IoU)閾值，一般設(shè)置為0.5，篩選掉置信度低的邊界框，得到置信度最高的預(yù)測(cè)邊界框中心坐標(biāo)(bx，by)和邊界框的寬bw和長(zhǎng)bh，然后根據(jù)中心坐標(biāo)和邊界框長(zhǎng)寬計(jì)算出預(yù)測(cè)邊界框左上和右下兩個(gè)點(diǎn)的坐標(biāo)，具體公式如下：

(1)

當(dāng)要定位的零件形狀較長(zhǎng)，如不同角度的軸類零件，YOLOv4所得的預(yù)測(cè)邊界框無法很好的表示部分零件實(shí)際形狀，僅僅使用預(yù)測(cè)邊界框左上和右下兩個(gè)點(diǎn)的坐標(biāo)作為零件定位，可能會(huì)導(dǎo)致后續(xù)要求定位精準(zhǔn)性的工序出現(xiàn)較大的誤差。

針對(duì)以上問題，在不影響零件檢測(cè)速度的前提下，選擇使用Canny邊緣檢測(cè)和Sklansky算法對(duì)YOLOv4預(yù)測(cè)邊界框計(jì)算方法進(jìn)行改進(jìn)。

圖2為齒輪軸檢測(cè)示例圖，圖2a為YOLOv4檢測(cè)原始檢測(cè)結(jié)果圖，圖中有與齒輪軸實(shí)際形狀重合率較低且無法精準(zhǔn)表示齒輪軸實(shí)際形狀的正矩形預(yù)測(cè)邊界框，齒輪軸的分類標(biāo)簽gear-shaft和相應(yīng)的置信度0.99，輸出的定位坐標(biāo)為預(yù)測(cè)邊界框左上點(diǎn)A(87,108)和右下點(diǎn)B(451,380)，圖2b為改進(jìn)YOLOv4檢測(cè)結(jié)果圖，圖中有齒輪軸的凸包、最小外接矩形框以及齒輪軸的分類標(biāo)簽gear-shaft，凸包為可以表示齒輪軸真實(shí)形狀的凸多邊形，同時(shí)可以得到凸包上每個(gè)角點(diǎn)的坐標(biāo)，但通常凸包的角點(diǎn)有幾十個(gè)，最小外接矩形框?yàn)楦油ㄓ玫亩ㄎ唤Y(jié)果，且與齒輪軸的重合率遠(yuǎn)高于原始預(yù)測(cè)邊界框，同時(shí)可以得到最小外接矩形框4個(gè)角點(diǎn)的坐標(biāo)，輸出的坐標(biāo)分別為A′(119，382)，B′(60，281)，C′(393,85)，和D′(453,186)。

(a) 改進(jìn)前 (b) 改進(jìn)后圖2 齒輪軸檢測(cè)示例圖

圖3為具體改進(jìn)過程示例圖。①根據(jù)原始預(yù)測(cè)邊界框?qū)D像裁剪為單獨(dú)的零件圖，如圖3a所示，簡(jiǎn)化后續(xù)圖像分割的計(jì)算量，以保持YOLOv4實(shí)時(shí)檢測(cè)速度的優(yōu)勢(shì)；②使用高斯模糊對(duì)零件圖進(jìn)行圖像預(yù)處理，通過計(jì)算每個(gè)像素點(diǎn)與鄰近像素點(diǎn)的加權(quán)和，并使用加權(quán)和作為新的像素點(diǎn)來降低零件圖中的噪聲，取點(diǎn)范圍為高斯核尺寸，尺寸越大，高斯模糊的效果越強(qiáng)，但會(huì)因此增加計(jì)算量，經(jīng)過實(shí)驗(yàn)對(duì)比，如圖3b所示，選擇9×9大小的高斯核函數(shù)零件預(yù)處理效果最佳；③使用Canny邊緣檢測(cè)對(duì)預(yù)處理后的零件圖進(jìn)行輪廓提取，該方法是基于邊緣梯度方向的非極大值抑制對(duì)零件圖進(jìn)行分割，其中雙閾值的選取系數(shù)Th和Tl分別選取90和30，并將低于Tl的點(diǎn)置零，高于Th的點(diǎn)標(biāo)記為邊緣點(diǎn)，處于中間的點(diǎn)根據(jù)鄰近的像素點(diǎn)狀態(tài)估計(jì)該點(diǎn)是否屬于邊緣，最終得到的輪廓如圖3c所示；④由于Canny邊緣檢測(cè)所得輪廓的輪廓點(diǎn)不連續(xù)，存在大量短輪廓，為解決上述問題需對(duì)輪廓圖進(jìn)行圖像膨脹與腐蝕處理，其中圖像膨脹是對(duì)每個(gè)像素點(diǎn)鄰近范圍內(nèi)的像素點(diǎn)置為該范圍內(nèi)的像素最大值，以此填補(bǔ)輪廓中的間斷部分，并將短輪廓與大輪廓相連，圖像腐蝕的原理則與膨脹相反，是將每個(gè)像素點(diǎn)鄰近范圍內(nèi)的像素點(diǎn)置為該范圍內(nèi)的像素最小值，以此去除因圖像膨脹產(chǎn)生的多余部分，經(jīng)過試驗(yàn)對(duì)比，如圖3d所示，選擇17×17的卷積核對(duì)零件輪廓圖進(jìn)行膨脹與腐蝕效果最佳；⑤計(jì)算經(jīng)過圖像處理后的輪廓所包含的坐標(biāo)數(shù)量，取坐標(biāo)數(shù)量最多的輪廓為主輪廓，根據(jù)主輪廓點(diǎn)集，使用Sklansky算法計(jì)算凸包，如圖3e所示，得到包含零件幾何形狀的凸多邊形；⑥根據(jù)多邊形與其最小外接矩形必有一條共線邊的幾何原理和旋轉(zhuǎn)卡尺算法(Rotating Calipers)，枚舉凸多邊形(即凸包)每一條邊組成的外接矩形框，計(jì)算外接矩形框的面積，其中面積最小的外接矩形框，如圖3f所示，為零件的最小外接矩形框；最終，使用凸包和最小外接矩形框代替原始預(yù)測(cè)邊界框，作為改進(jìn)的零件定位結(jié)果。

(a)裁剪(b)預(yù)處理 (c)分割

(d)膨脹腐蝕 (e)凸包 (f)最小外接矩形框圖3 預(yù)測(cè)邊界框改進(jìn)過程示例圖

3 實(shí)驗(yàn)與分析

設(shè)計(jì)的實(shí)驗(yàn)步驟流程如圖4所示。

圖4 實(shí)驗(yàn)流程圖

3.1 實(shí)驗(yàn)環(huán)境

所有實(shí)驗(yàn)在同一工作站中進(jìn)行，具體配置如表2所示。

表2 實(shí)驗(yàn)環(huán)境

3.2 實(shí)驗(yàn)參數(shù)

為充分利用工作站硬件，加快訓(xùn)練速度，根據(jù)數(shù)據(jù)集和實(shí)驗(yàn)環(huán)境的情況，實(shí)驗(yàn)參數(shù)設(shè)置為：每批次送入網(wǎng)絡(luò)的圖像數(shù)量(Batch_size)為64，輸入圖片分辨率(Input_shape)為416×416，訓(xùn)練期數(shù)(epoch)為100，學(xué)習(xí)率(Learning_rate)為0.001，AdaBelief的指數(shù)衰減率(Betas1,2)分別為0.9和0.999。

3.3 零件數(shù)據(jù)集

零件數(shù)據(jù)集制作過程為：①使用相機(jī)采集螺母、螺絲、齒輪、齒輪軸等共6種常見零件，共計(jì)1224張，采集過程中各種零件通過不同角度且雜亂無序的方式擺放；②使用OpenCV對(duì)采集的1224張零件圖像進(jìn)行圖像壓縮，并使用旋轉(zhuǎn)、平移、縮放、翻轉(zhuǎn)等方式對(duì)進(jìn)行圖像增強(qiáng)，擴(kuò)充數(shù)據(jù)，再將處理后的圖像根據(jù)質(zhì)量進(jìn)行篩選，得到共計(jì)2448張圖像的零件圖像集；③使用“l(fā)abelImg”圖像標(biāo)注工具對(duì)零件圖像集進(jìn)行人工標(biāo)注，根據(jù)自定義的零件標(biāo)簽，對(duì)圖像集中所有零件手動(dòng)標(biāo)注矩形標(biāo)注框；最終，制作成包含6種類別，共計(jì)2448張圖像的零件數(shù)據(jù)集，并根據(jù)8:2的比例將零件數(shù)據(jù)集分為零件訓(xùn)練集1958張和零件測(cè)試集490張，表3為數(shù)據(jù)集中零件種類與數(shù)量的詳細(xì)情況。

表3 零件數(shù)據(jù)集種類與數(shù)量表

3.4 評(píng)價(jià)指標(biāo)

使用常用的目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)對(duì)改進(jìn)YOLOv4的零件識(shí)別與定位方法進(jìn)行評(píng)價(jià)：準(zhǔn)確率(Precision)、召回率(Recall)以及準(zhǔn)確率與召回率綜合指標(biāo)(Precision和Recall 的加權(quán)調(diào)和平均F-Measure，α=1時(shí)：F1-Measure)，具體公式如下：

(2)

(3)

(4)

樣例總數(shù)TP+FP+TN+FN

(5)

其中，TP表示真正例(True Positive)，F(xiàn)P表示假正例(False Positive)，TN表示真負(fù)例(True Negative)，F(xiàn)N表示假負(fù)例(False Negative)，Precision是真正例(TP)在所有預(yù)測(cè)正例(TP+FP)中的比例，Recall是真正例(TP)在所有真實(shí)正例(TP+FN)中的比例，F(xiàn)1-Measure是Precision和Recall權(quán)重參數(shù)α=1時(shí)的綜合評(píng)價(jià)指標(biāo)，F(xiàn)1越大，所評(píng)價(jià)的網(wǎng)絡(luò)分類能力越強(qiáng)，反之，F(xiàn)1越小，分類能力越弱。

3.5 零件識(shí)別與定位實(shí)驗(yàn)

零件識(shí)別與定位實(shí)驗(yàn)中，首先在零件訓(xùn)練集上訓(xùn)練優(yōu)化算法改進(jìn)為AdaBelief，定位結(jié)果改進(jìn)為凸包和最小外接矩形框的YOLOv4，然后使用訓(xùn)練得到的權(quán)重文件配置網(wǎng)絡(luò)，并在零件測(cè)試集上使用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行零件識(shí)別與定位實(shí)驗(yàn)。

圖5為檢測(cè)過程示例圖。

(a)零件測(cè)試圖 (b)YOLOv4原始檢測(cè)圖

(c)Canny邊緣檢測(cè) (d)圖像膨脹與腐蝕

(e)凸包 (f)最小外接矩形框圖5 檢測(cè)過程示例圖

將基于改進(jìn)YOLOv4的零件識(shí)別與定位實(shí)驗(yàn)結(jié)果與未改進(jìn)的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比，圖6為改進(jìn)前后零件檢測(cè)示例圖，相比圖6a中未改進(jìn)的YOLOv4檢測(cè)所得的預(yù)測(cè)邊界框，圖6b中改進(jìn)YOLOv4檢測(cè)所得的零件凸包和最小外接矩形框與零件實(shí)際形狀重合度更高，更能表示零件實(shí)際形狀，同時(shí)可以輸出相應(yīng)零件最小外接矩形框的4個(gè)角點(diǎn)坐標(biāo)，其中圖6c和圖6d是側(cè)視角度的零件識(shí)別與定位對(duì)比示例圖，改進(jìn)的網(wǎng)絡(luò)仍能有效的對(duì)零件進(jìn)行識(shí)別與定位。

(a)改進(jìn)前 (b)改進(jìn)后

(c)改進(jìn)前 (d)改進(jìn)后圖6 檢測(cè)結(jié)果示例圖

圖7為改進(jìn)前后6種類別零件，共計(jì)490張測(cè)試圖像的具體檢測(cè)結(jié)果,經(jīng)過計(jì)算，改進(jìn)前真正例(TP)為1353個(gè)，改進(jìn)后為1352個(gè)，數(shù)量幾乎不變，但齒輪軸(gear-shaft)、齒輪(gear1和gear2)、螺母(Nut)和螺絲(Screw)這4類零件的假正例(FP)數(shù)量均有不同程度的降低，且假正例(FP)的總數(shù)也由152個(gè)降至96個(gè)。

(a) 改進(jìn)前

(b) 改進(jìn)后圖7 檢測(cè)結(jié)果數(shù)據(jù)圖

如表4所示，訓(xùn)練好的改進(jìn)網(wǎng)絡(luò)在零件測(cè)試集上的測(cè)試Precision達(dá)93.37%，相比改進(jìn)前Precision 為89.90%，提高了3.47%，改進(jìn)前后Recall變化不大，Precision和Recall的綜合指標(biāo)F1由94.32%提升至96.16%。

表4 檢測(cè)數(shù)據(jù)表

最終，通過在零件數(shù)據(jù)集上的零件識(shí)別與定位實(shí)驗(yàn)表明，改進(jìn)后的YOLOv4在零件識(shí)別準(zhǔn)確率和零件定位精準(zhǔn)性上相比于原始YOLOv4有較大的提高，針對(duì)常見種類的多角度無序零件具有較強(qiáng)的綜合識(shí)別能力。

4 結(jié)束語

針對(duì)多角度無序零件識(shí)別與定位這一任務(wù)，提出了基于改進(jìn)YOLOv4的零件識(shí)別與定位方法。改進(jìn)內(nèi)容包括優(yōu)化算法和預(yù)測(cè)邊界框兩方面，首先使用AdaBelief優(yōu)化算法代替原有的SGDM優(yōu)化算法，提高網(wǎng)絡(luò)收斂速度和識(shí)別精度；其次在預(yù)測(cè)邊界框計(jì)算方法中加入Canny邊緣檢測(cè)和Sklansky算法，使用Canny邊緣檢測(cè)進(jìn)行圖像分割得到零件輪廓點(diǎn)，根據(jù)輪廓點(diǎn)使用Sklansky算法計(jì)算凸包，再根據(jù)凸包計(jì)算最小外接矩形框，將正矩形定位框改進(jìn)為更能表示零件實(shí)際形狀的凸包和最小外接矩形框，提高網(wǎng)絡(luò)定位精確性。

根據(jù)多種聯(lián)合評(píng)價(jià)指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，改進(jìn)YOLOv4在零件數(shù)據(jù)集上零件識(shí)別準(zhǔn)確率與定位精準(zhǔn)性均有所提升，最小外接矩形框的角點(diǎn)坐標(biāo)可為工業(yè)制造領(lǐng)域中零件自動(dòng)化分揀、上下料等后續(xù)工序提供依據(jù)，但設(shè)計(jì)的網(wǎng)絡(luò)存在對(duì)密集堆疊的小零件識(shí)別能力較弱的缺點(diǎn)，后續(xù)研究可針對(duì)這一問題進(jìn)一步改進(jìn)。