鄧人瑋，熊瑞平，盧文翔，徐毅松，史東繁，楊康

基于YOLO神經(jīng)網(wǎng)絡(luò)模型的自動(dòng)噴涂線工件分類識(shí)別方法

鄧人瑋，熊瑞平*，盧文翔，徐毅松，史東繁，楊康

（四川大學(xué) 機(jī)械工程學(xué)院，四川 成都 610065）

針對(duì)自動(dòng)噴涂生產(chǎn)線提出了一種基于YOLO-V3模型的改進(jìn)密集型工件識(shí)別方法。介紹了自動(dòng)噴涂生產(chǎn)線YOLO-V3 dense改進(jìn)算法的總體方案流程，通過數(shù)據(jù)增強(qiáng)的方式獲取訓(xùn)練集，并利用密集型網(wǎng)絡(luò)方法改進(jìn)算法。對(duì)訓(xùn)練后的模型，采用多角度測(cè)試集對(duì)比及不同神經(jīng)網(wǎng)絡(luò)模型對(duì)比，評(píng)估改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型。測(cè)試結(jié)果表明，提出的YOLO-V3 dense算法，縱向比較優(yōu)于YOLO-V2和具有VGG16網(wǎng)絡(luò)模型的Faster R-CNN，橫向比較優(yōu)于傳統(tǒng)的YOLO-V3模型，因此基于YOLO-V3改進(jìn)的密集型神經(jīng)網(wǎng)絡(luò)更加適合用來檢測(cè)常見噴涂工件。

深度神經(jīng)網(wǎng)絡(luò)；工件識(shí)別；實(shí)時(shí)檢測(cè)；YOLO

目前，我國(guó)自動(dòng)噴涂行業(yè)還停留在人工識(shí)別及只能大批量生產(chǎn)相同形狀工件的水平，耗時(shí)費(fèi)力且成本變高?？梢酝ㄟ^在自動(dòng)噴涂生產(chǎn)線上加裝工件識(shí)別區(qū)域，針對(duì)待噴涂的工件進(jìn)行識(shí)別、判斷種類，將結(jié)果傳送到工作臺(tái)，讓噴涂機(jī)械手完成預(yù)先制定好的噴涂路線。

現(xiàn)階段工件識(shí)別領(lǐng)域大多數(shù)采用二值化圖像或其他方法提取目標(biāo)圖像的關(guān)鍵特殊信息，數(shù)學(xué)方法處理后工件輪廓與模板圖像輪廓進(jìn)行對(duì)比，通過重復(fù)度的高低判斷物體種類，如：羅輝[1]提出胡氏不變矩陣用來比較輪廓；張明路[2]提出反向標(biāo)記法生成目標(biāo)物體描述向量，與需要檢測(cè)物體的描述向量進(jìn)行對(duì)比，采用的改進(jìn)SURF算法的正確率普遍維持在75%～80%之間，平均用時(shí)普遍在0.6～0.8 s之間。

本文提出了一種快捷、精確度高的神經(jīng)網(wǎng)絡(luò)檢測(cè)方法，在YOLO-V3模型的基礎(chǔ)上，對(duì)其結(jié)構(gòu)進(jìn)行一定改進(jìn)，調(diào)整迭代次數(shù)和其他參數(shù)，使模型在特征傳播、特征重用方面得到加強(qiáng)，并用K-means聚類算法和NMS非極大值抑制方法得到更優(yōu)解的邊界框，能獲得更準(zhǔn)確的圖像網(wǎng)格信息，降低信息在迭代過程中損失的概率，得到更精確快捷的改進(jìn)。

1 自動(dòng)噴涂生產(chǎn)線

1.1 總體布局

整個(gè)自動(dòng)噴涂生產(chǎn)線[3]的布局如圖1所示，一共分為七個(gè)主要部分：

（1）表面質(zhì)量檢測(cè)裝置，由工業(yè)相機(jī)與支架構(gòu)成，作用是實(shí)時(shí)拍攝噴涂完畢后的工件，通過算法分析其噴涂表面質(zhì)量是否達(dá)到要求；

（2）傳送裝置，由吊具、架空軌道、鏈輪鏈條、滑架構(gòu)成，作用是方便運(yùn)輸、安裝、拆卸噴涂工件；

（3）支撐裝置，由六條橫梁和十二條立柱構(gòu)成，起固定支撐的作用；

（4）驅(qū)動(dòng)裝置，由兩臺(tái)步進(jìn)電機(jī)、齒形鏈輪（一大一?。?、傳送帶構(gòu)成，作用是為整條流水線運(yùn)動(dòng)提供動(dòng)力，調(diào)整電機(jī)轉(zhuǎn)速便可調(diào)整生產(chǎn)線的運(yùn)動(dòng)速度；

（5）加工對(duì)象，需要提前清洗以避免噴涂表面有粉塵影響噴涂質(zhì)量，再由工人懸掛到生產(chǎn)線；

（6）噴涂裝置，由新松機(jī)械臂、噴槍支架構(gòu)成，可以通過點(diǎn)云技術(shù)對(duì)任意形狀的工件表面進(jìn)行自動(dòng)噴涂；

（7）工件識(shí)別區(qū)域，也是本文算法的應(yīng)用區(qū)域，由一臺(tái)工業(yè)相機(jī)和支架構(gòu)成，作用是檢測(cè)判斷即將噴涂的工件類型，并將信息傳送給噴涂裝置，省去了工人識(shí)別更換噴涂程序的時(shí)間成本；

另外還有鏈條的張緊裝置及一些安全裝置措施。

整條生產(chǎn)線的噴涂節(jié)拍由噴涂工件外表面的面積大小決定，產(chǎn)線的噴涂速度為每分鐘1～2個(gè)工件。噴涂線對(duì)自動(dòng)噴涂軌跡做了優(yōu)化，滿足生產(chǎn)需要。

1.工業(yè)相機(jī)（表面質(zhì)量檢測(cè)區(qū)域）；2.滑架軌道；3.支撐橫梁；4.驅(qū)動(dòng)裝置；5.懸掛工件；6.噴涂裝置；7.工業(yè)相機(jī)（工件識(shí)別區(qū)域）。

1.2 工作流程圖

流水線工作流程如圖2所示；首先將待加工工件進(jìn)行清洗烘干，以避免粉塵附著影響噴涂質(zhì)量；然后在識(shí)別區(qū)域通過工業(yè)相機(jī)采集工件圖像，傳送到計(jì)算機(jī)，通過預(yù)先訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢測(cè)分類，并根據(jù)結(jié)果信息控制PLC，調(diào)用點(diǎn)云數(shù)據(jù)模型控制機(jī)械臂進(jìn)行對(duì)應(yīng)形狀工件的噴涂路線；噴涂完成后，經(jīng)過表面質(zhì)量檢測(cè)區(qū)域進(jìn)行噴涂質(zhì)量判斷是否合格，合格則由工人將其拆卸，不合格則分析問題所在、之后重新噴涂。

1.3 改進(jìn)算法流程

改進(jìn)算法的流程圖如圖3所示：使用工業(yè)相機(jī)對(duì)圖像采集后，進(jìn)行旋轉(zhuǎn)，鏡像，模糊，顏色平衡，調(diào)整亮度等數(shù)據(jù)增強(qiáng)處理，然后使用LabelImg進(jìn)行數(shù)據(jù)集的人工標(biāo)注，得到訓(xùn)練樣本集，再使用本文改進(jìn)后的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到權(quán)重模型，對(duì)模型進(jìn)行測(cè)試并得出相應(yīng)的Loss曲線圖，Map和Recall值及其他相關(guān)數(shù)據(jù)，最后分析數(shù)據(jù)得出結(jié)論。

圖2 工作流程圖

圖3 算法流程圖

2 圖像數(shù)據(jù)預(yù)處理

2.1 圖像數(shù)據(jù)采集

表1是本次實(shí)驗(yàn)的環(huán)境參數(shù)信息。實(shí)驗(yàn)采用的圖片由工業(yè)相機(jī)拍攝60幀1080×1920分辨率視頻（可模擬工業(yè)相機(jī)拍攝的生產(chǎn)線上的工件視頻），對(duì)象是噴涂常見工件，如飲水機(jī)外殼、椅子、垃圾桶，如圖4所示。在數(shù)據(jù)采集過程中，相機(jī)的拍攝位置大致與工業(yè)相機(jī)在工廠工作位置相同，并模擬實(shí)際光照條件，包括前照明、背光照明、側(cè)照明和散射照明。

將視頻逐幀截圖，得到每個(gè)工件500張圖片，隨機(jī)保留各200張共600張當(dāng)作樣本用于訓(xùn)練，其余900張圖片作為測(cè)試數(shù)據(jù)集。通過不同的數(shù)據(jù)增強(qiáng)辦法，把訓(xùn)練樣本圖片增強(qiáng)到6000張當(dāng)作訓(xùn)練數(shù)據(jù)集，再對(duì)圖像進(jìn)行逐一畫框分類，驗(yàn)證YOLO V3改進(jìn)模型的檢測(cè)能力。

表1 實(shí)驗(yàn)環(huán)境數(shù)據(jù)

2.2 圖像數(shù)據(jù)增強(qiáng)

由于工廠環(huán)境[4]不如實(shí)驗(yàn)室，如光照、角度，能會(huì)有圖像噪聲，而訓(xùn)練數(shù)據(jù)集的完整性、豐富性直接決定神經(jīng)網(wǎng)絡(luò)模型能否處理處于工

廠或露天等不同惡劣環(huán)境下的圖像。所以對(duì)拍攝到的圖像進(jìn)行一定程度的預(yù)處理，如旋轉(zhuǎn)角度、調(diào)整亮度、顏色平衡及自定義模糊等，得到數(shù)據(jù)增強(qiáng)圖像及數(shù)量如圖5、表2所示。

表2 圖像增強(qiáng)數(shù)據(jù)

圖4 樣本部分圖片

圖5 數(shù)據(jù)增強(qiáng)后的圖像

2.2.1 圖像顏色

人類視覺系統(tǒng)可以在不斷變化的光和成像條件下確定物體表面的顏色不變性，但成像設(shè)備不具有這種顏色不變性。不同的照明條件會(huì)導(dǎo)致圖像顏色和真實(shí)顏色之間存在的一定偏差?；疑澜缢惴ū挥脕硐裏艄鈱?duì)色彩渲染的影響，該算法基于灰色世界假設(shè)，即對(duì)于表現(xiàn)出大量顏色變化的圖像，R、G和B分量的平均值趨于相同的灰度值。物理上，灰色世界算法假設(shè)來自自然物體的光的平均反射一般是一個(gè)固定值，近似為灰色。利用顏色平衡算法將這一假設(shè)應(yīng)用于訓(xùn)練集中的圖像。環(huán)境光的影響可以從圖像中消除，產(chǎn)生原始圖像。

2.2.2 圖像亮度

在訓(xùn)練集中，從亮度最小到最大的值里面隨機(jī)選取三個(gè)數(shù)用來調(diào)整圖像的亮度，并將三個(gè)新的圖片添加到訓(xùn)練集中。如果圖片的亮度過高或過低，那么在手動(dòng)標(biāo)注方框時(shí)，會(huì)由于目標(biāo)的邊緣不清楚，很難繪制邊界框。如果不對(duì)這些圖像進(jìn)行操作，在訓(xùn)練過程中則會(huì)對(duì)檢測(cè)模型的性能和結(jié)果產(chǎn)生不利影響。為了避免產(chǎn)生這樣的圖片，根據(jù)手動(dòng)標(biāo)注對(duì)象的邊緣部分能否被準(zhǔn)確識(shí)別來選擇恰當(dāng)?shù)膱D像亮度變換范圍。

RGB圖片亮度計(jì)算公式為：

本實(shí)驗(yàn)中調(diào)整的亮度為：對(duì)比度均為1.2，亮度分別為10、20、50。對(duì)比度越高圖片的暗處就會(huì)變得越亮。RGB的范圍為0～255。

該方法可以模擬不同光照條件下的噴涂工廠環(huán)境，以彌補(bǔ)神經(jīng)網(wǎng)絡(luò)對(duì)圖像采集因時(shí)間集中而引起的各種光照強(qiáng)度不具魯棒性的缺點(diǎn)。

2.2.3 圖像旋轉(zhuǎn)

為了進(jìn)一步拓展圖像的數(shù)據(jù)集，有更好的是實(shí)驗(yàn)效果，對(duì)原始圖像進(jìn)行90°、180°、270°的逆時(shí)針旋轉(zhuǎn)，這也能很大程度提高神經(jīng)網(wǎng)絡(luò)模型的檢測(cè)性能。

2.2.4 圖像定義

由于工業(yè)攝像機(jī)對(duì)工件的拍攝距離偏長(zhǎng)，不正確的聚焦或攝像機(jī)的移動(dòng)，還有工廠的粉塵污染，都會(huì)導(dǎo)致獲取的圖像可能不清晰，還有一些其他的圖片噪聲，而模糊圖像也會(huì)影響神經(jīng)網(wǎng)絡(luò)的檢測(cè)模型。所以本文也將由顏色、亮度、旋轉(zhuǎn)增強(qiáng)的圖像進(jìn)行隨機(jī)模糊，利用模糊圖像當(dāng)作樣本，以進(jìn)一步提高檢測(cè)性能。

2.2.5 圖像的標(biāo)注和數(shù)據(jù)集制作

圖片像素過高會(huì)導(dǎo)致訓(xùn)練周期過長(zhǎng)，根據(jù)已有實(shí)驗(yàn)經(jīng)驗(yàn)[5]，本文數(shù)據(jù)集里的圖片的長(zhǎng)度均采用416像素，之后訓(xùn)練會(huì)根據(jù)模型要求再調(diào)整圖像像素，并相應(yīng)地調(diào)整圖片寬度，保持與原圖片相同的長(zhǎng)寬比。為了對(duì)不同算法進(jìn)行比較，數(shù)據(jù)集格式采用PASCAL VOC，再使用Python對(duì)圖片進(jìn)行編號(hào)，而后使用Labelimg軟件對(duì)圖片一一進(jìn)行手動(dòng)標(biāo)注分類，消除沒有標(biāo)記或者不清楚的樣本，以防止神經(jīng)網(wǎng)絡(luò)中的過度擬合。在工業(yè)攝像機(jī)工作時(shí)很難出現(xiàn)工件被遮擋的狀況，故此不予考慮。

3 YOLO-V3算法

3.1 YOLO-V3原理

圖6是神經(jīng)網(wǎng)絡(luò)模型的簡(jiǎn)易卷積過程。初始模型采用的損失函數(shù)是softmax[6]，如式（2）所示，其輸出向量就是概率，是檢測(cè)樣本里面各類型工件的概率。圖7是logistic loss損失函數(shù)對(duì)比圖[7]，能夠在margin小于零時(shí)給予較大的懲罰，YOLO-V3模型使用logistics loss函數(shù)，能夠?qū)⑤^小的誤差區(qū)分出來，從而分辨各自種類，提高了分類準(zhǔn)確率。

圖6 神經(jīng)網(wǎng)絡(luò)模型卷積過程

圖7 logistic損失函數(shù)對(duì)比圖

圖8是YOLO模型原理圖，具體步驟如下：

第一步，將訓(xùn)練集劃分為×（＝8）網(wǎng)絡(luò)，如果目標(biāo)中心點(diǎn)落在網(wǎng)格上，那么網(wǎng)格就負(fù)責(zé)探測(cè)目標(biāo)。每個(gè)網(wǎng)格都可以預(yù)測(cè)bounding box和他的置信度[8]得分，以及它屬于這一類工件的概率。置信度表示網(wǎng)格能否包含需要檢測(cè)的對(duì)象，還有當(dāng)網(wǎng)格包含檢測(cè)對(duì)象的情況下預(yù)測(cè)邊界框的準(zhǔn)確性的高低[9]。置信度的定義為：

第三步，保存并顯示最優(yōu)解的邊界框。

圖8 YOLO模型原理圖

3.2 緊密聯(lián)系的神經(jīng)網(wǎng)絡(luò)

因?yàn)榇嬖诰矸e和下采樣層，在訓(xùn)練過程中特征映射的占比下降了，導(dǎo)致傳輸過程中對(duì)應(yīng)的特征信息丟失。而密集型神經(jīng)網(wǎng)絡(luò)能更有效地利用特征信息，采用前饋模式將每個(gè)層連接到其他層，因此第l層能夠接受以0,1, ..,X-1為輸入的前面層的所有特征信息，因此密集型網(wǎng)絡(luò)能夠減輕梯度消失（爆炸），增強(qiáng)特征傳播，促進(jìn)特征重用，并大大減少參數(shù)數(shù)量。即：

式中：[0,1, ...,X-1]為圖層0,1, ...,X-1特征圖的拼接處；H為用于處理拼接特征圖的函數(shù)。

3.3 改進(jìn)的YOLO-v3 dense算法

改進(jìn)的YOLO-V3密集型網(wǎng)絡(luò)框架如圖9所示，網(wǎng)絡(luò)采用YOLO-V3的Darknet-53的體系結(jié)構(gòu)，然后把原來較低分辨率的原始傳輸層用密集型網(wǎng)絡(luò)替換掉，以此達(dá)到增強(qiáng)特征傳播的目的、同時(shí)促進(jìn)特征重用和融合。

為了更好地處理高分辨率圖像，首先是把416×416像素的初始圖象用python算法統(tǒng)一改成512×512像素替換（主要是神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)最好是16的倍數(shù)），方便后續(xù)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再用密集型網(wǎng)絡(luò)結(jié)構(gòu)來替代和改善32×32和16×16的下采樣層，這個(gè)H函數(shù)使用的是BN-Rel U-Conv(1×1)-BN-Rel U-Conv(3×3)的功能（由三個(gè)連續(xù)操作的函數(shù)組成），通過特征層的層層拼接，最后得到32×32×512的特征層再向前傳播。在訓(xùn)練過程中，當(dāng)圖像的特征轉(zhuǎn)移到了下一層時(shí)，下一個(gè)特征層將會(huì)在密集網(wǎng)絡(luò)中接收到之前的所有特征信息，從而減少特征的損失。如此便可以使特征使用率增加，效果提高。最后，YOLO-V3 dense模型預(yù)測(cè)出三種不同尺度的邊界框，64×64、32×32、16×16，并對(duì)需要分類的噴涂工件，飲水機(jī)、椅子、垃圾桶進(jìn)行分類，來模擬工廠所需要的噴涂工件的識(shí)別。

圖9 改進(jìn)的YOLO-V3密集型網(wǎng)絡(luò)框架圖

4 實(shí)驗(yàn)結(jié)果及其分析

4.1 精確度和召回率

為減少誤檢測(cè)的概率，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中需要結(jié)合使用精確度和召回率，才能客觀評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果的好壞。

精確度（）和召回率（）的計(jì)算方法為：

式中：為成功預(yù)測(cè)的正例個(gè)數(shù)；為負(fù)例被模型誤判為正例的個(gè)數(shù)；為正例被錯(cuò)誤預(yù)測(cè)為負(fù)例的個(gè)數(shù)。

4.2 實(shí)驗(yàn)數(shù)據(jù)預(yù)設(shè)定

像素設(shè)為416×416；Class設(shè)為3，表示本次實(shí)驗(yàn)需要分類三種工件，分別是垃圾桶、飲水機(jī)、椅子；Filter設(shè)為24，表示輸出特征圖的數(shù)量，由式（7）計(jì)算得出；迭代次數(shù)設(shè)為30000；學(xué)習(xí)效率關(guān)系著訓(xùn)練到最優(yōu)解的速度，過高會(huì)導(dǎo)致無法收斂甚至過擬合、過低也會(huì)導(dǎo)致無法收斂，通過多次實(shí)驗(yàn)得出設(shè)置學(xué)習(xí)率為0.001較為合適；Loss設(shè)為0.1，表示模型的損失函數(shù)值要通過迭代低于0.1便可以停止迭代；雖然batch越大越能減少訓(xùn)練時(shí)間但為了提高準(zhǔn)確度，每次迭代只計(jì)算一張圖片，所以batch設(shè)為1，從而他的子集subdivision也為1；根據(jù)工廠要求將置信度IOU的閾值設(shè)置為0.8。

4.3 實(shí)驗(yàn)結(jié)果

4.3.1 Loss

本次實(shí)驗(yàn)訓(xùn)練時(shí)，總的迭代次數(shù)設(shè)為30000次，每一個(gè)epoch值代表一個(gè)迭代周期，完成一個(gè)周期的迭代則會(huì)輸出一次權(quán)重模型，并將Loss值記錄保存下來。在前2000次迭代時(shí)一個(gè)epoch設(shè)為50，大于2000次迭代后一個(gè)epoch設(shè)為500，大約經(jīng)過14000次迭代后，Loss值趨于穩(wěn)定，模型各個(gè)參數(shù)基本不在發(fā)生變化，如圖10所示，迭代次數(shù)小于1000時(shí)Loss下降迅速，大約在6000次迭代后，趨于穩(wěn)定并下降到目標(biāo)值0.1以下。Loss隨batch值變化曲線如圖10所示。

4.3.2 本模型檢測(cè)結(jié)果

圖11為所訓(xùn)練垃圾桶、飲水機(jī)、椅子的準(zhǔn)確率和召回率關(guān)系曲線圖，曲線以下部分的面積就是這個(gè)類別的AP（代表這一類別的檢測(cè)準(zhǔn)確度），mAP就是所有類的AP值求平均。

圖10 Loss隨batch值變化曲線

本次訓(xùn)練對(duì)象的識(shí)別效果如圖12（a）（b）（c）所示，圖12（d）是使用非訓(xùn)練對(duì)象圖片檢測(cè)模型，出現(xiàn)誤檢測(cè)概率低于2%，由于置信度閾值設(shè)置為0.8，所以置信度低于0.8的圖片將不會(huì)檢測(cè)出來。

圖11 訓(xùn)練結(jié)果

圖12 圖像檢測(cè)

4.3.3 不同模型對(duì)比

使用不同目標(biāo)檢測(cè)模型對(duì)準(zhǔn)確率、平均耗時(shí)及檢測(cè)速率進(jìn)行實(shí)驗(yàn)。隨機(jī)選取100個(gè)數(shù)，根據(jù)樣本編號(hào)把對(duì)應(yīng)圖片提取出來進(jìn)行逐一檢測(cè)，將得出檢測(cè)邊界框的圖片記為正確，沒有出現(xiàn)邊界框的圖片記為錯(cuò)誤，統(tǒng)計(jì)100張圖片的正確率，如表3所示。

表3 不同檢測(cè)模型對(duì)比

為了客觀評(píng)價(jià)模型，1是檢測(cè)模型精確度和召回率的一種加權(quán)平均，取值范圍為0～1，如式（8）所示。因?yàn)檎倩芈屎途_率都同等重要，為避免一個(gè)模型的精確度和召回率一個(gè)極高一個(gè)極低、而取平均值則都為0.5的情況，應(yīng)采用加權(quán)平均的方式。

5 結(jié)論分析

通過加強(qiáng)數(shù)據(jù)集，獲得更多圖像信息，改進(jìn)了YOLO-V3模型框架，調(diào)整實(shí)驗(yàn)具體參數(shù)，得到了較好的結(jié)果，達(dá)到了預(yù)期對(duì)于噴涂工件98%準(zhǔn)確率的檢測(cè)目標(biāo)。需要注意的是，在數(shù)據(jù)集采集過程中要保證同一個(gè)目標(biāo)不同角度上的圖像數(shù)量，盡量保持一致，不然會(huì)出現(xiàn)某個(gè)角度的圖像識(shí)別不出來或準(zhǔn)確率偏低的狀況。

[1]羅輝. 基于機(jī)器視覺的工件識(shí)別與定位系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2021（1）：103-105.

[2]張明路. 一種改進(jìn)SURF特征匹配的裝配工件快速識(shí)別方法[J].機(jī)械設(shè)計(jì)與制造，2021（2）：263-264.

[3]程昶運(yùn). 基于3D點(diǎn)云模型的自動(dòng)噴涂路徑規(guī)劃研究[D]. 成都：四川大學(xué)，2020.

[4]王曉華. 基于改進(jìn)YOLO深度卷積神經(jīng)網(wǎng)絡(luò)的縫紉手勢(shì)檢測(cè)[J].紡織學(xué)報(bào)，2020，41（4）：143-145.

[5]陳從平. 基于深度學(xué)習(xí)的電器目標(biāo)檢測(cè)[J]. 機(jī)械，2020，47（1）：1-8.

[6]蔣大星. 基于人臉檢測(cè)的自動(dòng)紅眼消除算法研究[D]. 西安：西安電子科技大學(xué)，2010.

[7]楊梓豪. 基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法研究[D]. 北京：北京郵電大學(xué)，2017.

[8]周偉. 基于深度學(xué)習(xí)的視頻人臉檢測(cè)和目標(biāo)跟蹤[D]. 煙臺(tái)：山東工商學(xué)院，2019.

[9]陳鑫東. 綜合水務(wù)信息管理平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)[D]. 大連：大連理工大學(xué)，2019.

[10]王永宏. 基于機(jī)器視覺的汽車先進(jìn)駕駛輔助系統(tǒng)中行人檢測(cè)技術(shù)研究[D]. 杭州：浙江大學(xué)，2019.

[11]譚景甲. 基于USRP與YOLOv3算法的信號(hào)采集與識(shí)別設(shè)計(jì)[J]. 現(xiàn)代電子技術(shù)，2019，42（23）：（55-56）.

[12]谷元保. 一種基于灰度世界模型自動(dòng)平衡方法[J]. 計(jì)算機(jī)仿真，2005，22（9）：185-186.

Classification Recognition of Automatic Spray Line Work-Piece Based on YOLO Neural Network Model

DENG Renwei，XIONG Ruiping，LU Wenxiang，XU Yisong，SHI Dongfan，YANG Kang

( School of Mechanical Engineering, Sichuan University, Chengdu610065, China )

An improved method based on YOLO-V3 model is proposed to solve the problem of intelligent identification of work-piece in automatic spraying production line. This paper introduces the General Scheme flow of the improved YOLO-V3dense algorithm for the structure of automatic spraying production line. The training set is obtained by means of data enhancement, and the YOLO-V3 algorithm is improved by means of intensive network method. After the training, the improved neural network model is evaluated by comparing the multi-angle test set and different neural network models. The test results show that the proposed Yolo-v3dense Algorithm is superior to YOLO-V2 and Faster R-CNN with VGG16 network model in longitudinal comparison and to YOLO-V3 model in transverse comparison. Therefore, the dense neural network improved by YOLO-V3 is more suitable for detecting common spraying work-piece.

deep neural network；work-piece recognition；real-time；YOLO

TP389.1

A

10.3969/j.issn.1006-0316.2022.03.011

1006-0316 (2022) 03-0065-09

2021-06-15

四川省科技廳重點(diǎn)研發(fā)項(xiàng)目：智能涂裝產(chǎn)線關(guān)鍵技術(shù)的開發(fā)與集成（2020YFG0119）

鄧人瑋（1996－），男，四川內(nèi)江人，碩士研究生，主要研究方向?yàn)闄C(jī)械電子，E-mail：963081849@qq.com。*通訊作者：熊瑞平（1970－），男，江西瑞金人，博士，副教授，主要研究方向?yàn)楣I(yè)機(jī)器人應(yīng)用及智能控制技術(shù)，E-mail：xiongruiping@163.com。