吳海波，崔禹，王森，王晨，潘云龍

（昆明理工大學(xué) 機(jī)電工程學(xué)院，昆明 650500）

精密電子、零件制造、工業(yè)自動(dòng)化等行業(yè)均涉及零部件的分類和裝配。目前，零件分揀工藝中無(wú)論是人工分揀還是自動(dòng)化分揀，都存在著機(jī)械零件種類繁多、數(shù)量龐大、分類環(huán)境單一且分類精度不高的問(wèn)題[1]，影響產(chǎn)品的分揀質(zhì)量并增加了生產(chǎn)成本。隨著計(jì)算機(jī)視覺(jué)理論的快速發(fā)展，視覺(jué)檢測(cè)在工業(yè)上的應(yīng)用越來(lái)越廣[2]，比如：人臉識(shí)別、目標(biāo)檢測(cè)、零件識(shí)別等領(lǐng)域。其中零件識(shí)別是計(jì)算機(jī)視覺(jué)與模式識(shí)別在機(jī)械工業(yè)領(lǐng)域中的一個(gè)重要應(yīng)用，它作為機(jī)械加工自動(dòng)化的基礎(chǔ)，解放了勞動(dòng)力，降低了工業(yè)生產(chǎn)成本，并提高了工業(yè)生產(chǎn)效率[3]。顯示器配件分類識(shí)別準(zhǔn)確率和識(shí)別效率要求較高，且人工分揀出錯(cuò)率高。因此，如何有效解決此類問(wèn)題是實(shí)現(xiàn)工業(yè)自動(dòng)化面臨的關(guān)鍵挑戰(zhàn)。

近年來(lái)，日趨成熟的計(jì)算機(jī)視覺(jué)已經(jīng)應(yīng)用于零件的分類識(shí)別，主要包括以下3 個(gè)方面的研究：

1）圖像預(yù)處理 逄增治等[4]利用形態(tài)特征與圖像分割算法相結(jié)合，實(shí)現(xiàn)工件圖像分割；金鵬等[5]利用閾值分割和邊緣提取，實(shí)現(xiàn)圖像關(guān)鍵區(qū)域的確定；王立忠等[6]利用高斯平滑圖像預(yù)處理，實(shí)現(xiàn)最佳濾波參數(shù)的尋找并提高了圖像匹配的精度。

2）圖像特征提取 孫麗萍等[7]利用KPCA 對(duì)航空發(fā)動(dòng)機(jī)滑油濾磨屑進(jìn)行特征提取，實(shí)現(xiàn)發(fā)動(dòng)機(jī)磨損故障預(yù)報(bào)準(zhǔn)確率的提高；陳付夢(mèng)等[8]利用提升小波算法，實(shí)現(xiàn)鐵譜圖像邊緣的檢測(cè)；Cao 等[9]利用一種新穎的零件圖像特征提取算法，實(shí)現(xiàn)圖像特征的有效提?。桓馂槊竦萚10]利用一種基于泛化的增量式2DPCA（GI2DPCA）特征提取算法，實(shí)現(xiàn)箱梁結(jié)構(gòu)件焊縫表面缺陷的特征提取和分類識(shí)別。

3）零件的分類識(shí)別 零件在分類識(shí)別過(guò)程中常用的算法有最鄰近算法、K-鄰近算法（K-nearest neighbor，KNN）、支持向量機(jī)、最小平均距離等。謝長(zhǎng)貴等[11]利用模糊Kohonen 神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)熱態(tài)重軌表面缺陷的檢測(cè)；李靜蕊等[12]利用基于ART2神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)機(jī)械零件的模式識(shí)別；李養(yǎng)勝等[13]利用支持向量機(jī)與K-鄰近的工件表面缺陷識(shí)別算法，實(shí)現(xiàn)工件表面缺陷的檢測(cè)和識(shí)別；劉桂華等[14]利用基于形狀的模板匹配和三維重建算法相結(jié)合，實(shí)現(xiàn)隔水管法蘭端面位姿的檢測(cè)。

此外，傳統(tǒng)的圖像模式匹配方法主要根據(jù)零件的灰度、邊緣、外形結(jié)構(gòu)及面積等進(jìn)行特征匹配，達(dá)到零件識(shí)別的效果，但是這種方法適用于單個(gè)獨(dú)立、紋理和邊緣較少的零件識(shí)別，當(dāng)零件的數(shù)目龐大、紋理和邊緣較多時(shí)，該方法的計(jì)算量很大，需要不斷的調(diào)整參數(shù)，分類識(shí)別耗時(shí)較長(zhǎng)，不適用于顯示器生產(chǎn)線上配件的快速實(shí)時(shí)分類識(shí)別。

因此本文將工廠中的顯示器配件作為研究對(duì)象進(jìn)行圖像采集硬件平臺(tái)的搭建，設(shè)計(jì)了一套基于監(jiān)督學(xué)習(xí)的顯示器配件快速視覺(jué)識(shí)別系統(tǒng)，該方法采用機(jī)器學(xué)習(xí)分類識(shí)別算法，能夠?qū)崿F(xiàn)利用較少的訓(xùn)練樣本模型，達(dá)到較高的識(shí)別精度，且處理速度快，泛化能力強(qiáng)，能夠滿足實(shí)時(shí)分類識(shí)別的要求。首先，通過(guò)對(duì)顯示器配件圖像進(jìn)行低通中值濾波，消除圖像中的噪聲、孤立亮點(diǎn)或暗點(diǎn)，使用高斯算子濾波削弱圖像像素灰度變化，使圖像表面均勻平滑；其次，使用樣本集對(duì)監(jiān)督學(xué)習(xí)分類器進(jìn)行6 次訓(xùn)練；最后，利用監(jiān)督學(xué)習(xí)分類器對(duì)顯示器配件進(jìn)行分類識(shí)別。通過(guò)與最小平均距離、模板匹配及KNN（灰度）算法進(jìn)行對(duì)比，本文所提方法在實(shí)時(shí)性和魯棒性方面明顯優(yōu)于其他3 種分類識(shí)別方法，完成分類識(shí)僅需12.9 ms，每一種配件的識(shí)別準(zhǔn)確率達(dá)到96%以上，分類準(zhǔn)確率達(dá)到100%，證明該算法滿足顯示器配件分類識(shí)別的工程應(yīng)用及實(shí)時(shí)分揀需求。

1 配件分類識(shí)別系統(tǒng)設(shè)計(jì)

顯示器包裝入庫(kù)前，需要根據(jù)工藝要求將生產(chǎn)線上的支座、底座和適配器（裝盒）分別放置在包裝箱內(nèi)的指定位置，整個(gè)生產(chǎn)工序均需要在生產(chǎn)線上完成。為了解決人工分揀效率低和出錯(cuò)率高的問(wèn)題，針對(duì)顯示器配件提出了基于監(jiān)督學(xué)習(xí)的顯示器配件快速視覺(jué)識(shí)別系統(tǒng)，其方案研究與實(shí)現(xiàn)的系統(tǒng)整體框架如圖1 所示。

圖1 配件分類識(shí)別框架圖

顯示器配件快速視覺(jué)識(shí)別系統(tǒng)方案主要分為3 部分：

1）建立樣本集 以顯示器配件為研究對(duì)象搭建圖像采集硬件平臺(tái)，獲取若干張配件的原始圖像，采用非線性低通中值濾波和高斯濾波對(duì)配件的圖像進(jìn)行圖像預(yù)處理。其中，非線性低通中值濾波主要用來(lái)消除配件原始圖像中的隨機(jī)噪聲和椒鹽噪聲；采用高斯算子濾波主要用于削弱圖像像素灰度變化，濾除圖像中的高頻噪聲，使圖像表面光滑和柔和。在對(duì)鄰域內(nèi)像素灰度進(jìn)行平均時(shí)，賦予不同位置像素不同的均值[15]，保證圖像細(xì)節(jié)模糊處理的同時(shí)，最大限度地保留圖像總體的灰度分布特征[16]。二維高斯函數(shù)式為

如圖2 所示，高斯分布的二維曲面是一個(gè)鐘形曲面，當(dāng)標(biāo)準(zhǔn)差σ取不同值時(shí)，二維高斯函數(shù)的形狀會(huì)有所不同。如果標(biāo)準(zhǔn)差σ過(guò)小，偏離中心的像素權(quán)重就會(huì)很小，曲面越高越陡峭；反之，曲面越低且平緩。不同標(biāo)準(zhǔn)差的高斯核對(duì)圖像的處理也會(huì)不同。

圖2 二維高斯濾波器三維特性圖

2）特征提取 提取的顯示器配件樣本特征向量由樣本圖像的形狀、顏色、紋理等特征構(gòu)成。對(duì)預(yù)處理后的配件圖像樣本進(jìn)行特征提取，從而確定訓(xùn)練所依據(jù)的特征向量，設(shè)置合適的特征提取及訓(xùn)練參數(shù)使樣本的大小、旋轉(zhuǎn)和鏡像保持不變性。

3）建立分類器 基于監(jiān)督學(xué)習(xí)的顯示器配件的視覺(jué)快速識(shí)別系統(tǒng)主要采用二值圖像的K-鄰近法分類器并確定各相關(guān)參數(shù)，通過(guò)顯示器配件樣本集對(duì)監(jiān)督學(xué)習(xí)分類器進(jìn)行6 次訓(xùn)練，將訓(xùn)練和提取的顯示器配件樣本特征向量信息進(jìn)行保存，便于后續(xù)的實(shí)時(shí)分類識(shí)別過(guò)程的使用。

2 方法設(shè)計(jì)與實(shí)現(xiàn)

為了更好的利用圖像處理方法實(shí)現(xiàn)顯示器配件的快速識(shí)別，將對(duì)采集的顯示器配件進(jìn)行圖像預(yù)處理和特征提取。

2.1 圖像的預(yù)處理

在顯示器生產(chǎn)線包裝過(guò)程中，從攝像頭采集的支座、底座及盒裝適配器的表面圖像像素較高，且在較大的數(shù)據(jù)量中包含大量冗余信息。為了提高后續(xù)實(shí)時(shí)分類的準(zhǔn)確識(shí)別率，采用低通非線性中值方法和高斯算子對(duì)采集的配件樣本原始圖像進(jìn)行濾波處理。

首先，采用鄰域大小為3×3 的非線性低通中值濾波對(duì)采集的配件圖像樣本進(jìn)行濾波處理，最大限度地保留圖像目標(biāo)中的有效邊緣，并消除噪聲和去除孤立亮點(diǎn)或暗點(diǎn)。公式表示為：

式中μ是像素P(i，j)周圍鄰域3×3 內(nèi)像素灰度的平均值。

假設(shè)圖像的大小為H×W，則均值μ和標(biāo)準(zhǔn)差σ計(jì)算公式為：

由于是基于3×3 鄰域?qū)D像進(jìn)行N階非線性低通濾波，所以中值濾波的階次計(jì)算公式計(jì)算為：

實(shí)驗(yàn)結(jié)果表明：當(dāng)K=3，N=4 時(shí)，圖像中孤立的亮點(diǎn)或暗點(diǎn)、椒鹽噪聲將被有效濾除，而其他區(qū)域則保持不變。

采用卷積核為3×3 的高斯濾波可以削弱配件樣本圖像像素的灰度變化，從而濾除樣本圖像中的高頻噪聲，使圖像表面光滑柔和，高斯算子濾波表示為

式中：a、b、c、d為正整數(shù)；x＞1，且大于算子中任何其他因子（各因子的大小以x為中心呈正態(tài)分布）。

現(xiàn)場(chǎng)采集的顯示器配件經(jīng)非線性低通中值濾波和高斯算子濾波處理后有利于特征的提取，顯示器配件預(yù)處理過(guò)程如表1 所示。

表1 顯示器配件預(yù)處理

2.2 配件特征提取和訓(xùn)練

對(duì)預(yù)處理后的顯示器配件樣本圖像的特征提取和訓(xùn)練是分類識(shí)別必備的過(guò)程，主要用于提取顯示器配件樣本的特征向量值、分類信息和分類器參數(shù)配置。顯示器配件樣本集分為底座、盒裝線材和支柱共3 類?；跇颖绢w粒特征的各種屬性參數(shù)有助于快速準(zhǔn)確地針對(duì)二值處理后的分類識(shí)別任務(wù)進(jìn)行特征提取。圖像的特征提取方法多樣，而圖像特征描述的核心問(wèn)題則是魯棒性和可區(qū)分性[17]。根據(jù)訓(xùn)練和分類過(guò)程對(duì)目標(biāo)尺度不變性、旋轉(zhuǎn)不變性和鏡像對(duì)稱不變性的要求，樣本的特征提取向量可由基于樣本的點(diǎn)、線、邊界和Hu 不變矩特征參數(shù)的顆粒特征和顏色特征構(gòu)成，將樣本圖像的這些特征作為提取特征值以提高系統(tǒng)的魯棒性。引入平均類標(biāo)準(zhǔn)差和類間距dij兩個(gè)指標(biāo)衡量待訓(xùn)練配件樣本集合的優(yōu)劣。配件樣本集合中的每一個(gè)樣本的N維的特征向量Xi可表示為

針對(duì)配件樣本集合中訓(xùn)練每一類的L個(gè)樣本，將屬于同類的樣本用類標(biāo)簽j標(biāo)記，因此配件樣本集合可用以下的N×L矩陣表示，即

N×L矩陣的均值可表示為

計(jì)算樣本特征矩陣中第n行元素的標(biāo)準(zhǔn)差可表示為

為了定量表示配件樣本集中的類標(biāo)準(zhǔn)差并直接反映樣本矩陣的分散程度，利用公式可以得到類樣本矩陣中的平均類標(biāo)準(zhǔn)差，即

兩類的特征向量均值Mi與Mj之間的距離dij可表示為

式中每?jī)蓚€(gè)類之間的距離dij可采用曼哈頓距離計(jì)算。若所有樣本集屬于n維空間Rn，任意特征向量Xi=(xi1，xi2，···，xin)∈Rn和Yj=(yj1，yj2，···，yjn)∈Rn，其中xin表示第i個(gè)樣本第n個(gè)特征值，則樣本Xi和Yi之間的距離可表示為

計(jì)算得到的顯示器配件樣本集平均類標(biāo)準(zhǔn)差和類間距離如表2 和表3 所示。

表2 配件類標(biāo)準(zhǔn)差

表3 配件類距離表

由表2 可看出，對(duì)顯示器的3 個(gè)配件分別采集50 個(gè)樣本圖像，計(jì)算得到的平均標(biāo)準(zhǔn)差較小，說(shuō)明配件樣本較集中，分類準(zhǔn)確度較高。

由表3 可看出，不同配件之間的特征向量平均值距離均大于1，同一種配件的特征向量平均距離均為0，說(shuō)明不同類之間分離度較大，同一種配件較為集中。綜上通過(guò)計(jì)算配件樣本的平均標(biāo)準(zhǔn)差和類間距dij可得顯示器配件樣本集較好。

2.3 基于監(jiān)督學(xué)習(xí)的分類識(shí)別方法

目前，在機(jī)器學(xué)習(xí)領(lǐng)域模式識(shí)別算法主要分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。其中監(jiān)督學(xué)習(xí)算法主要有K-鄰近法[18]、決策樹、樸素貝葉斯和邏輯回歸及改進(jìn)算法。采用基于監(jiān)督學(xué)習(xí)二值圖像的KNN 分類識(shí)別算法作為快速識(shí)別系統(tǒng)的主要方法，該算法是一種直觀的分類算法，比其他算法更適合處理配件的分類問(wèn)題。KNN 的核心思想為：在特征空間中，如果一個(gè)樣本的k個(gè)最鄰近的樣本中的多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別，并具有這個(gè)類別樣本的特性[19]。目前，KNN 分類方法還存在以下不足：訓(xùn)練集維度較高時(shí)，其分類效率較低[20]；訓(xùn)練集存在噪聲特征或噪聲樣本時(shí)，分類精度會(huì)被嚴(yán)重影響[21-22]。因此，通過(guò)對(duì)配件圖像樣本集的預(yù)處理，彌補(bǔ)了KNN 分類算法的不足。KNN 算法的步驟[23]如下：

1）構(gòu)建訓(xùn)練樣本集T；

2）設(shè)定k的初始值；

3）在訓(xùn)練樣本集中選出與測(cè)試樣本最相似的k個(gè)樣本，這里相似標(biāo)準(zhǔn)定義為曼哈頓距離。若所有樣本屬于n維空間Rn，任意的樣本Xi=（xi1，xi2，···，xiN）∈Rn和Yj=（yj1，yj2，···，yjN）∈Rn,式中：xin表示第i個(gè)樣本第n個(gè)特征值,則樣本Xi和Yj的曼哈頓距離可由公式（12）計(jì)算可得；

4）對(duì)于測(cè)試樣本(Xq，X1，···，Xk)與Xq距離最近的k個(gè)樣本，設(shè)離散點(diǎn)目標(biāo)函數(shù)為F：Rn→vi，vi表示第i個(gè)類別標(biāo)簽，標(biāo)簽集合定義為V={v1，v2，···，vs}。

其中，當(dāng)a=b時(shí)，δ(a,b)=1；否則δ(a,b)=0。

5）使用多數(shù)投票法作為待測(cè)樣本的預(yù)測(cè)值。

在顯示器配件KNN 分類識(shí)別過(guò)程中，利用分類準(zhǔn)確率和識(shí)別準(zhǔn)確率兩個(gè)指標(biāo)來(lái)衡量目標(biāo)分類系統(tǒng)的優(yōu)劣。分類準(zhǔn)確率是指被檢測(cè)樣本歸屬某類時(shí)比歸類到其他分類結(jié)果的程度，可表示為：

式中：d是被檢測(cè)樣本與它被歸類到的類之間歸一化距離；d1是被測(cè)件到距其最近的一個(gè)類的歸一化距離；d2是被測(cè)件到距其次近的一個(gè)類的歸一化距離。識(shí)別準(zhǔn)確率是指被檢測(cè)樣本歸類至某一類時(shí)它與該類的相似程度，可表示為

3 實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境的搭建

分類識(shí)別算法檢測(cè)平臺(tái)如圖3 所示。裝置由模擬背景桌面、工業(yè)相機(jī)、鏡頭組件和計(jì)算機(jī)組成，工業(yè)相機(jī)選用Basler ace-acA2500-14gc 的相機(jī)，相機(jī)分辨率為500 萬(wàn)像素，采用Basler C 口鏡頭，鏡頭的光圈范圍是：F1.4-F16，焦距為8 mm；采用GigE 線材與計(jì)算機(jī)進(jìn)行數(shù)據(jù)傳輸。通過(guò)采集不同狀態(tài)的支柱、線材和底座圖像作為實(shí)驗(yàn)對(duì)象，對(duì)每個(gè)配件分別采集50 張圖像作為訓(xùn)練樣本，采集76 張圖像作為檢測(cè)樣本，對(duì)本文的算法進(jìn)行驗(yàn)證和測(cè)評(píng)。

圖3 分類識(shí)別算法檢測(cè)平臺(tái)

3.2 實(shí)驗(yàn)結(jié)果的對(duì)比分析

為驗(yàn)證系統(tǒng)的優(yōu)越性和可靠性，將典型的最小平均距離、圖像模板匹配和基于灰度圖像的K 鄰近分類識(shí)別算法與文中算法進(jìn)行實(shí)驗(yàn)對(duì)比，利用識(shí)別準(zhǔn)確率、分類準(zhǔn)確率和平均耗時(shí)作為定量比較指標(biāo)。為了便于分析基于監(jiān)督學(xué)習(xí)二值圖像的KNN法、基于灰度圖像的KNN 法、圖像模板匹配算法和最小平均距離這4 種算法的穩(wěn)定性，同時(shí)引入識(shí)別準(zhǔn)確率誤差e進(jìn)行誤差判斷，計(jì)算公式為

式中：yt表示識(shí)別準(zhǔn)確率；y表示設(shè)定的識(shí)別閾值。

通過(guò)對(duì)配件識(shí)別準(zhǔn)確率測(cè)試實(shí)驗(yàn)的分析，將識(shí)別閾值設(shè)定為y=97%，n=1。4 種不同算法的定性比較如圖4 所示，顯示器配件識(shí)別準(zhǔn)確率如圖5 所示，顯示器配件分類識(shí)別準(zhǔn)確率誤差如圖6 所示，顯示器配件分類準(zhǔn)確率統(tǒng)計(jì)如表4 所示。

表4 顯示器配件分類準(zhǔn)確率

圖4 4 種不同算法的定性比較

圖5 顯示器配件識(shí)別準(zhǔn)確率

圖6 顯示器配件識(shí)別準(zhǔn)確率誤差

顯示器配件分類識(shí)別結(jié)果分析如下：

1）由圖4、圖5 和表4 可以看出，采用的基于監(jiān)督學(xué)習(xí)二值圖像的KNN 分類識(shí)別算法對(duì)3 個(gè)配件的識(shí)別準(zhǔn)確率均達(dá)到96%以上，且每一種配件的分類準(zhǔn)確率均達(dá)到100%。對(duì)于非均勻光照和噪聲干擾圖像，最小平均距離和基于灰度圖的KNN 算法識(shí)別分類能力較低，綜合識(shí)別準(zhǔn)確率分別在92.99%和92.33%以下，且分類準(zhǔn)確率也明顯低于基于監(jiān)督學(xué)習(xí)二值圖像的KNN 算法。

2）圖4、圖5 和表4 所示的基于灰度圖像的KNN算法和基于監(jiān)督學(xué)習(xí)二值圖像的KNN 算法在對(duì)顯示器配件分類和識(shí)別的準(zhǔn)確率上有明顯差距，說(shuō)明經(jīng)過(guò)中值濾波和高斯算子預(yù)處理的圖像彌補(bǔ)了KNN 算法因噪聲影響而導(dǎo)致分類識(shí)別精度下降的不足，也使得基于監(jiān)督學(xué)習(xí)二值圖像的KNN 算法具有更好的魯棒性。

3）由圖5 和圖6 所示的配件識(shí)別準(zhǔn)確率和識(shí)別準(zhǔn)確率誤差可以看出，基于監(jiān)督學(xué)習(xí)二值圖像的KNN 算法在檢測(cè)過(guò)程中的可靠性均優(yōu)于其他三種算法，識(shí)別準(zhǔn)確率的波動(dòng)范圍也更小。基于監(jiān)督學(xué)習(xí)二值圖像的KNN 算法具有更好的魯棒性，可以實(shí)現(xiàn)快速分類識(shí)別，引導(dǎo)完成生產(chǎn)線顯示器配件的實(shí)時(shí)分揀任務(wù)。

4）圖4 和圖5 所示的基于模板匹配和基于監(jiān)督學(xué)習(xí)二值圖像的KNN 分類識(shí)別算法在對(duì)顯示器配件的分類識(shí)別準(zhǔn)確率上差距較小，穩(wěn)定性差距也較小，但是在分類識(shí)別所消耗的時(shí)間上有明顯的差距，模板匹配算法在對(duì)顯示器配件進(jìn)行分類識(shí)別的過(guò)程中，由于底座和支柱表面的紋理較多，姿態(tài)也各不相同，模板匹配算法需要大量的計(jì)算和不斷的調(diào)整參數(shù)，消耗的時(shí)間為572.3 ms，但基于監(jiān)督學(xué)習(xí)二值圖像的KNN 分類識(shí)別算法只需要12.9 ms，因此本文算法更適用于顯示器生產(chǎn)線上快速的分類識(shí)別。

4 結(jié)束語(yǔ)

以顯示器的3 個(gè)配件為研究對(duì)象，將一種快速監(jiān)督學(xué)習(xí)方法應(yīng)用在顯示器配件分類及識(shí)別中，先后對(duì)配件的圖像采集、圖像預(yù)處理、圖像特征提取、分類器配置和分類識(shí)別和分析。以圖像分類及識(shí)別為核心的顯示器配件分揀系統(tǒng)，在模擬背景桌上對(duì)顯示器配件原始圖像進(jìn)行采集，通過(guò)非線性低通中值濾波和高斯算子對(duì)顯示器圖像進(jìn)行預(yù)處理，該預(yù)處理方法有效的彌補(bǔ)了KNN 分類及識(shí)別算法因噪聲影響而導(dǎo)致分類識(shí)別精度下降的不足。基于4 種分類及識(shí)別方法的實(shí)驗(yàn)對(duì)比結(jié)果表明：所采用方法在實(shí)時(shí)性和魯棒性方面明顯優(yōu)于其他3 種分類識(shí)別方法，完成分類識(shí)別時(shí)間僅需12.9 ms，每一種配件的識(shí)別準(zhǔn)確率達(dá)到96%以上，分類準(zhǔn)確率達(dá)到100%，該算法滿足顯示器配件分類識(shí)別的工程應(yīng)用及實(shí)時(shí)分揀需求。