張銀勝，單慧琳，何秉坤，郭子民

（1.無(wú)錫學(xué)院 電子信息工程學(xué)院，江蘇 無(wú)錫 214105；2.南京信息工程大學(xué) 電子與信息工程學(xué)院，江蘇 南京 210044）

0 引言

機(jī)器學(xué)習(xí)作為人工智能等專業(yè)的必修課，也可作為電子信息類專業(yè)的選修課，教學(xué)目標(biāo)是使學(xué)生理解機(jī)器學(xué)習(xí)的基本問(wèn)題和算法，掌握相關(guān)實(shí)踐方法，為學(xué)生今后從事相關(guān)領(lǐng)域的研究工作奠定堅(jiān)實(shí)的基礎(chǔ)。該課程的實(shí)驗(yàn)教學(xué)側(cè)重于電子信息與人工智能相結(jié)合，內(nèi)容設(shè)計(jì)一般以示例入手，逐步推進(jìn)，以體現(xiàn)算法思想與基本原理。其中，目標(biāo)分揀是實(shí)驗(yàn)項(xiàng)目的重點(diǎn)，傳統(tǒng)實(shí)驗(yàn)教學(xué)通常在虛擬仿真環(huán)境下完成，利用計(jì)算機(jī)技術(shù)模擬目標(biāo)進(jìn)行分揀，雖然仿真實(shí)驗(yàn)存在效率高、可重復(fù)性強(qiáng)、成本低等優(yōu)點(diǎn)，但直觀性差、模型準(zhǔn)確性低，存在數(shù)據(jù)缺乏和驗(yàn)證不確定性等問(wèn)題。因此十分迫切需要設(shè)計(jì)一種目標(biāo)分揀實(shí)驗(yàn)系統(tǒng)。

特征提取是目標(biāo)分揀的關(guān)鍵技術(shù)，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）可自動(dòng)提取圖像特征，模型提取的特征隨著網(wǎng)絡(luò)深度增加越來(lái)越抽象，識(shí)別能力更強(qiáng)。Krizhevsky 等［1］提出AlexNet，在ImageNet 數(shù)據(jù)集上達(dá)到15.3%的top5 錯(cuò)誤率，遠(yuǎn)超其他傳統(tǒng)特征提取方式。2015 年，GoogleNet［2］、VGG［3］、ResNet［4］和DenseNet［5］相繼被提出。Wang 等［6］使用ResNet 網(wǎng)絡(luò)作為卷積層，提出自動(dòng)檢測(cè)系統(tǒng)，有效解決了區(qū)域誤檢問(wèn)題。Vo 等［7］修改原始ResNet 模型，在全局平均池化層后添加兩個(gè)全連接層，能快速實(shí)現(xiàn)分類模型的穩(wěn)定和泛化。董子源等［8］提出一種注意力機(jī)制模型，通過(guò)全局、局部特征提取與特征融合機(jī)制等手段建立圖像分類模型GCNet，以獲得更完善、有效的特征信息，但實(shí)驗(yàn)過(guò)程較復(fù)雜。Song 等［9］提出基于Inceptionv4［10］和ResNet 的自動(dòng)分類網(wǎng)絡(luò)DSCR，解決了由于使用縮減模塊而導(dǎo)致模型過(guò)于敏感的問(wèn)題，但分類效率較低。YOLOv3 算法［11］在犧牲少量精度的前提下，取得了較高的檢測(cè)速度。張靜等［12］通過(guò)減少YOLOv3 特征提取網(wǎng)絡(luò)中卷積層的層數(shù)，以提升模型精度和速度，但對(duì)類間差距不明顯的目標(biāo)存在誤檢現(xiàn)象。

目前，深度學(xué)習(xí)逐步應(yīng)用于課程實(shí)驗(yàn)教學(xué)中。張飛等［13］開(kāi)發(fā)了機(jī)器人抓取實(shí)驗(yàn)教學(xué)系統(tǒng)。邱益等［14］開(kāi)發(fā)了平面無(wú)序列抓取實(shí)驗(yàn)系統(tǒng)。孫友昭等［15］開(kāi)發(fā)了自動(dòng)化控制仿真實(shí)踐教學(xué)平臺(tái)，取得了一定的實(shí)踐教學(xué)成效。然而，上述實(shí)驗(yàn)教學(xué)系統(tǒng)的功能集中在實(shí)驗(yàn)操作本身，技術(shù)較陳舊，在檢測(cè)速度、精度上落后于新技術(shù)。

為此，本文提出一種基于深度學(xué)習(xí)的目標(biāo)分揀教學(xué)實(shí)驗(yàn)系統(tǒng)，聚焦目標(biāo)源頭進(jìn)行分類和控制操作，使學(xué)生既能通過(guò)算法優(yōu)化、設(shè)計(jì)和操作驗(yàn)證目標(biāo)檢測(cè)算法，還能通過(guò)實(shí)驗(yàn)數(shù)據(jù)分析目標(biāo)分揀算法的結(jié)果。

1 實(shí)驗(yàn)系統(tǒng)組成

在虛擬仿真教學(xué)中，目標(biāo)分揀存在實(shí)驗(yàn)過(guò)程復(fù)雜、成本高等問(wèn)題。為了解決該問(wèn)題，本文教學(xué)實(shí)驗(yàn)系統(tǒng)圍繞目標(biāo)識(shí)別分類的算法實(shí)現(xiàn)、分揀操作等教學(xué)要求，簡(jiǎn)化硬件設(shè)計(jì)，聚焦目標(biāo)采集、識(shí)別、分類、分揀操作等主要功能。其中，目標(biāo)分揀實(shí)驗(yàn)的教學(xué)要求是學(xué)習(xí)并掌握目標(biāo)檢測(cè)與分揀的基本原理，通過(guò)軟、硬件的綜合設(shè)計(jì)，實(shí)現(xiàn)目標(biāo)檢測(cè)與分揀，可選擇元器件、水果等目標(biāo)進(jìn)行實(shí)驗(yàn)，學(xué)生可通過(guò)改進(jìn)檢測(cè)算法提升目標(biāo)檢測(cè)的速度和精度。系統(tǒng)總體結(jié)構(gòu)如圖1所示。

Fig.1 Overall system structure圖1 系統(tǒng)總體結(jié)構(gòu)

由圖1 可見(jiàn)，系統(tǒng)主要包括主控模塊、攝像頭、機(jī)械臂、分揀模塊等。主控部分由Jetson Nano 和STM32 芯片組成，二者間采用串口進(jìn)行通信。首先由攝像頭將拍攝到的目標(biāo)圖片傳輸至Jetson Nano；然后由Jetson Nano 根據(jù)目標(biāo)檢測(cè)算法識(shí)別、分類目標(biāo)，同時(shí)STM32 對(duì)目標(biāo)當(dāng)前位置進(jìn)行三維坐標(biāo)轉(zhuǎn)換，控制機(jī)械臂進(jìn)行抓取，通過(guò)分揀模塊實(shí)現(xiàn)自動(dòng)分揀。分揀模塊主要由STM32芯片、42步進(jìn)電機(jī)、6個(gè)舵機(jī)及7 個(gè)光電傳感器組成。其中，STM32 負(fù)責(zé)控制42步進(jìn)電機(jī)帶動(dòng)傳送帶運(yùn)送物料；光電傳感器起開(kāi)關(guān)作用，當(dāng)物料落至傳送帶時(shí)光電傳感器檢測(cè)到物料，并反饋給STM32，隨后STM32 驅(qū)動(dòng)步進(jìn)電機(jī)轉(zhuǎn)動(dòng)；舵機(jī)主要完成分揀擋板的旋轉(zhuǎn)運(yùn)動(dòng)，驅(qū)動(dòng)擋板與傳送帶形成45～60°夾角，使傳送過(guò)來(lái)的物料落至分揀槽，分揀槽內(nèi)置的光電傳感器發(fā)出分揀完成信號(hào)，再由STM32 控制各部分電機(jī)完成復(fù)原操作。

2 改進(jìn)YOLOv3的目標(biāo)檢測(cè)算法

2.1 YOLOv3算法

YOLOv3 網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示，整個(gè)框架分為主干網(wǎng)絡(luò)（Darknet-53）、特征層融合和分類檢測(cè)3個(gè)部分［16-18］。

Fig.2 YOLOv3 network structure圖2 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)

由于YOLOv2無(wú)法處理大尺度與小尺度物品數(shù)據(jù)的圖片，YOLOv3 采用3 個(gè)不同大小的網(wǎng)格劃分原始圖像，通過(guò)金字塔網(wǎng)絡(luò)解決該問(wèn)題。預(yù)測(cè)大物體時(shí)使用13×13 的網(wǎng)格（具有最大感受野），預(yù)測(cè)中等物體時(shí)使用26×26 的網(wǎng)格（中等感受野），預(yù)測(cè)小物體時(shí)使用52×52 的網(wǎng)格（較小感受野）。

YOLOv3 的損失函數(shù)是在YOLOv2 的基礎(chǔ)上改進(jìn)所得，將分類損失替換為二值交叉熵?fù)p失，損失函數(shù)由目標(biāo)置信度損失、目標(biāo)類別損失和目標(biāo)定位偏移量損失相加所得，具體計(jì)算公式如式（1）所示。

式中：λ1、λ2、λ3為置信度誤差、類別誤差與偏移量誤差的權(quán)重，分別表示對(duì)應(yīng)誤差在損失函數(shù)中所占權(quán)重；Lconf(o，c)為目標(biāo)置信度損失；Lclɑ(O，C)為目標(biāo)類別損失；Lloc(l，g)為目標(biāo)定位偏移量損失。

目標(biāo)置信度為檢測(cè)目標(biāo)矩形框內(nèi)，存在被測(cè)目標(biāo)的概率，目標(biāo)置信度損失采用二值交叉熵?fù)p失，具體計(jì)算公式如式（2）所示。其中，通過(guò)Oi∈(0，1)表示檢測(cè)目標(biāo)是否在預(yù)測(cè)目標(biāo)邊界框i內(nèi)，0 代表不存在，1 代表存在。預(yù)測(cè)值采用Sigmoid 函數(shù)計(jì)算，代表預(yù)測(cè)目標(biāo)邊界框i內(nèi)真實(shí)存在目標(biāo)的Sigmoid 概率，如式（3）所示。

式中：ci表示預(yù)測(cè)值。

2.2 改進(jìn)YOLOv3算法

2.2.1 特征提取網(wǎng)絡(luò)

為了解決Darknet-53 網(wǎng)絡(luò)在前向特征提取時(shí)，參數(shù)量和計(jì)算量較大的問(wèn)題［19-20］，本文采用輕量級(jí)網(wǎng)絡(luò)Mobile-NetV2 進(jìn)行前向推理。MobileNetV2 的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

Fig.3 Network architecture of MobileNetV2圖3 MobileNetV2的網(wǎng)絡(luò)結(jié)構(gòu)

MobileNetV2 模型雖然具有較高的分類效率，但在僅使用低維度提取特征時(shí)，提取的目標(biāo)特征有限。為此，在深度可分離卷積前使用1×1 的網(wǎng)絡(luò)結(jié)構(gòu)，將高維度特征值映射在低維度空間內(nèi)，在計(jì)算深度可分離卷積后，再利用擴(kuò)展連接層將計(jì)算的低維度信息傳入下一層卷積網(wǎng)絡(luò)，以減少通道數(shù)、計(jì)算量和運(yùn)算時(shí)間。

實(shí)驗(yàn)表明，在連接過(guò)程中采用擴(kuò)展6 倍的分離卷積網(wǎng)絡(luò)能較好的滿足運(yùn)算需求，同時(shí)該模型采用1×1 的卷積核進(jìn)行維度轉(zhuǎn)換過(guò)程。考慮到原有激活函數(shù)ReLU 在反向輸入情況下不會(huì)激活神經(jīng)元，在大梯度運(yùn)算時(shí)會(huì)導(dǎo)致?tīng)顟B(tài)無(wú)法激活，造成目標(biāo)物體進(jìn)入網(wǎng)絡(luò)時(shí)喪失目標(biāo)信息或信息被破壞的問(wèn)題。因此，在升高維度時(shí)將激活函數(shù)ReLU 替換為線性激活函數(shù)，以確保在降維過(guò)程中最大限度地保留目標(biāo)信息。

在主干網(wǎng)絡(luò)內(nèi)部，在信息處理時(shí)，Darknet-53 使用標(biāo)準(zhǔn)卷積融合相鄰的兩層特征層。然而，當(dāng)面對(duì)混在一起的物品時(shí)檢測(cè)效果較差，并且特征金字塔結(jié)構(gòu)（Feature Pyramid Networks，F(xiàn)PN）過(guò)深會(huì)增加目標(biāo)檢測(cè)的計(jì)算量。為此，本文系統(tǒng)采用分組卷積和逐點(diǎn)卷積替換標(biāo)準(zhǔn)卷積，在此結(jié)構(gòu)下相同輸入模型的卷積個(gè)數(shù)僅為Darknet-53 網(wǎng)絡(luò)的1/3，以此提升模型檢測(cè)速度和精度。

綜上所述，MobileNetV2 網(wǎng)絡(luò)采用深度可分離卷積操作大幅減少了網(wǎng)絡(luò)的運(yùn)算量和參數(shù)量，既降低了網(wǎng)絡(luò)復(fù)雜度，又提升了網(wǎng)絡(luò)推理速度與檢測(cè)模塊的運(yùn)行速度。

2.2.2 特征尺度

YOLOv3 網(wǎng)絡(luò)直接使用1×1 多維度卷積核，替換傳統(tǒng)YOLOv2網(wǎng)絡(luò)使用的3×3與5×5的多維度，既能達(dá)到傳統(tǒng)網(wǎng)絡(luò)卷積核的性能，還能節(jié)約90%的計(jì)算效能，減少模型所需參數(shù)和計(jì)算維度。同時(shí)，3×3 與5×5 多維度卷積核采用傳統(tǒng)特征圖進(jìn)行線性有機(jī)結(jié)合，實(shí)現(xiàn)跨通道的信息交互與資源整合，1×1 的多維度卷積核僅需一個(gè)特征圖就能有效表示在多維度通道間的交互。

在各不同物體分類的任務(wù)和回歸壓縮為0 到1 的置信度方面，1×1 卷積核有效替代了作為分類器的完全連接層（Fully Connected Layers），在視覺(jué)任務(wù)方面降低了大量計(jì)算量，既節(jié)約了實(shí)際部署能源消耗，又降低了算力。

2.2.3 損失函數(shù)

YOLOv3 中主干網(wǎng)絡(luò)Darknet-53 會(huì)輸出3 種不同尺度的特征圖，分別對(duì)應(yīng)不同尺度的Loss 函數(shù)，需要將最終的計(jì)算損失結(jié)果求和后再進(jìn)行反向傳播。

在判斷物體的過(guò)程中會(huì)出現(xiàn)正例、負(fù)例和忽視3 種情況，因此在輸入特征圖中應(yīng)統(tǒng)計(jì)邊界框數(shù)量，針對(duì)特征圖中識(shí)別出的每一個(gè)對(duì)象，選擇交并比（Intersection over Union，IoU）最大值為正例，邊界框如果大于0.5 則忽視，剩余的為負(fù)例。

在實(shí)際計(jì)算過(guò)程中會(huì)出現(xiàn)背景錯(cuò)誤檢測(cè)的問(wèn)題，對(duì)于訓(xùn)練圖片的真值（Ground Truth），若中心點(diǎn)在某個(gè)區(qū)域內(nèi)，同時(shí)另一個(gè)物體的中心點(diǎn)恰好也在此處，則將該區(qū)域內(nèi)所有框體與Ground Truth 值進(jìn)行匹配，選擇最優(yōu)值作為預(yù)測(cè)框體進(jìn)行計(jì)算，其余框體繼續(xù)按照流程進(jìn)行剔除。

此外，本文增加Focal Loss 函數(shù)修正模型，根據(jù)樣本分辨的難易程度給樣本損失添加權(quán)重。在實(shí)際應(yīng)用中，置信度高的負(fù)樣本在總體樣本中占比較大，剔除或減弱該部分損失能明顯提升損失函數(shù)的效率，因此在交叉熵前加入權(quán)重因子形成新的損失函數(shù)，如式（4）所示。

式中：log 為交叉熵?fù)p失函數(shù)；γ為權(quán)重的參數(shù)，當(dāng)γ＞1時(shí)，能取得更好的效果（默認(rèn)值為2）；Pt為目標(biāo)物體的置信度，為容易區(qū)分的樣本（置信度接近1 或接近0）添加較小的權(quán)重α1，為難分辨的樣本（置信度在0.5 附近）添加較大權(quán)重α2，如式（5）所示。

綜上，損失函數(shù)的計(jì)算取決于樣本的區(qū)分難度，采用Focal Loss 在處理類不均衡問(wèn)題時(shí)，效果優(yōu)于傳統(tǒng)YOLOv3算法中使用的損失函數(shù)。

2.2.4 利用K-means++實(shí)現(xiàn)錨點(diǎn)框聚類

為了高效預(yù)測(cè)不同尺度與寬高比的物體邊界框，一般采用Anchor（錨點(diǎn)框）機(jī)制。合適的Anchor 值既能快速準(zhǔn)確定位邊界框，還能減少計(jì)算量和損失值，提升目標(biāo)檢測(cè)精度與速度。

傳統(tǒng)YOLOv3 錨框利用K-means 算法進(jìn)行聚類所得，由于K-means 隨機(jī)生成的聚類初始點(diǎn)對(duì)聚類結(jié)果具有較大影響，極易造成每次聚類結(jié)果產(chǎn)生嚴(yán)重偏差。雖然，YOLOv3 能在不同尺度下實(shí)現(xiàn)檢測(cè)，但聚類結(jié)果在尺寸上沒(méi)有明顯差別，難以根據(jù)算法要求對(duì)錨框進(jìn)行排序，一旦直接將聚類結(jié)果應(yīng)用到各尺度的特征圖檢測(cè)中，將降低檢測(cè)精度。

為此，本文系統(tǒng)首先分析目標(biāo)圖像的形狀及特點(diǎn)，手動(dòng)選擇K-Means++的12個(gè)初始聚類框，以有效降低原始算法在初始聚類點(diǎn)時(shí)的聚類偏差，得到尺寸更好的先驗(yàn)框，并將其匹配到對(duì)應(yīng)的特征圖上，達(dá)到提升系統(tǒng)檢測(cè)召回率、準(zhǔn)確率的目的。

3 目標(biāo)抓取控制

目標(biāo)抓取控制由機(jī)械臂實(shí)現(xiàn)，通過(guò)逆運(yùn)動(dòng)學(xué)求解和角度轉(zhuǎn)化，獲得目標(biāo)點(diǎn)坐標(biāo)的對(duì)應(yīng)角度數(shù)值和轉(zhuǎn)化后的舵機(jī)脈寬數(shù)據(jù)，控制舵機(jī)轉(zhuǎn)動(dòng)。通過(guò)移動(dòng)、夾取、抬升操作抓取目標(biāo)后進(jìn)行轉(zhuǎn)動(dòng)、抬升、放置操作，一般抓取過(guò)程包括靠近目標(biāo)、對(duì)齊目標(biāo)、夾取目標(biāo)、機(jī)體抬升、回歸中位解5 個(gè)步驟。

機(jī)械臂控制系統(tǒng)由控制芯片、六自由度機(jī)械臂機(jī)械結(jié)構(gòu)、姿態(tài)控制模塊、舵機(jī)和電源模塊等組成。其中，控制芯片為STM32，通過(guò)串行外設(shè)接口（Serial Peripheral Interface，SPI）接受來(lái)自Jetson Nano 的目標(biāo)檢測(cè)信號(hào)，以控制機(jī)械臂姿態(tài)，進(jìn)而實(shí)現(xiàn)目標(biāo)抓??；六自由度機(jī)械臂包含6 個(gè)舵機(jī)，每個(gè)舵機(jī)均具有堵轉(zhuǎn)保護(hù)和過(guò)溫保護(hù)功能；姿態(tài)控制模塊實(shí)現(xiàn)機(jī)械臂各關(guān)節(jié)的撓度控制。

電源接通后，通過(guò)編程接口將控制程序燒錄至控制芯片內(nèi)，STM32 輸出脈沖寬度調(diào)制（Pulse Width Modulation，PWM）信號(hào)。通過(guò)修改輸入信號(hào)的脈寬可轉(zhuǎn)換舵機(jī)角度：①當(dāng)脈沖寬度為1.5 ms 時(shí)進(jìn)行舵機(jī)位置歸一化；②脈寬每增加0.5 ms，舵機(jī)輸出軸角度順時(shí)針旋轉(zhuǎn)45°；③脈沖寬度每減小0.5 ms，舵機(jī)輸出軸的角度逆時(shí)針旋轉(zhuǎn)45°。

4 實(shí)驗(yàn)結(jié)果與分析

本文提出的目標(biāo)分揀實(shí)驗(yàn)系統(tǒng)應(yīng)用場(chǎng)景廣泛［21-22］，在機(jī)器學(xué)習(xí)及創(chuàng)新實(shí)踐等課程中，學(xué)生可通過(guò)系統(tǒng)驗(yàn)證與優(yōu)化檢測(cè)算法、完成綜合設(shè)計(jì)和目標(biāo)分揀操作等內(nèi)容。本文以元器件分揀為例，YOLOv3 原算法和改進(jìn)YOLOv3 算法的元器件檢測(cè)結(jié)果如圖4、圖5所示。

Fig.4 Component detection results based on original YOLOv3 algorithm圖4 基于YOLOv3原算法的元器件檢測(cè)結(jié)果

Fig.5 Component detection results based on improved YOLOv3 algorithm圖5 基于改進(jìn)YOLOv3算法的元器件檢測(cè)結(jié)果

本文系統(tǒng)采用六自由度機(jī)械臂結(jié)合視覺(jué)識(shí)別算法進(jìn)行操作，開(kāi)發(fā)的分揀樣機(jī)和分揀過(guò)程如圖6、圖7 所示。同時(shí)，采用原算法和改進(jìn)算法進(jìn)行比較實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1所示。由此可見(jiàn)，系統(tǒng)能快速識(shí)別、分揀目標(biāo)，改進(jìn)后的算法相較于原算法更快速、精確。

Table 1 Evaluation indicator表1 評(píng)價(jià)指標(biāo)

Fig.6 Target sorting prototype圖6 目標(biāo)分揀樣機(jī)

Fig.7 Screenshot of target sorting process圖7 目標(biāo)分揀過(guò)程截圖

由表1 可知，輕量級(jí)主干網(wǎng)絡(luò)能提升算法的識(shí)別精度與檢測(cè)速度，改進(jìn)后算法的mAP_0.5（損失函數(shù)IoU=0.5 時(shí)對(duì)應(yīng)的平均準(zhǔn)確率）從70.2%提升至93.6%。在檢測(cè)速度方面，處理一幀圖片的速度減少了9.35 ms，權(quán)重模型大小減少11.3 MB。

圖8 為改進(jìn)前后的Loss 值變化曲線，當(dāng)樣本數(shù)量為400 時(shí)，改進(jìn)前的初始Loss 值相較于改進(jìn)后的初始Loss 值更高，經(jīng)過(guò)200 次迭代后一直維持在0.25 以下，證實(shí)了改進(jìn)后算法能提升檢測(cè)目標(biāo)的速度與準(zhǔn)確度。

Fig.8 Loss curve of detection results圖8 檢測(cè)結(jié)果的loss曲線

同時(shí)，在機(jī)器學(xué)習(xí)、創(chuàng)新實(shí)踐等課程開(kāi)設(shè)了目標(biāo)分揀實(shí)驗(yàn)項(xiàng)目。其中，機(jī)器學(xué)習(xí)課程重點(diǎn)考查分類算法，實(shí)驗(yàn)內(nèi)容是目標(biāo)檢測(cè)算法的驗(yàn)證與完善，分揀操作結(jié)果證明了檢測(cè)算法精度的重要性；創(chuàng)新實(shí)踐課程中目標(biāo)分揀作為設(shè)計(jì)選題之一，實(shí)踐內(nèi)容包括目標(biāo)數(shù)據(jù)集的采集與預(yù)處理、網(wǎng)絡(luò)模型搭建與優(yōu)化、控制系統(tǒng)設(shè)計(jì)編程、機(jī)械臂調(diào)試操作、分揀模塊設(shè)計(jì)等，學(xué)生在樣機(jī)上能分類元器件、水果、垃圾等。2022 年無(wú)錫學(xué)院電子信息工程學(xué)院通信工程專業(yè)的課程教學(xué)質(zhì)量報(bào)告顯示，該系統(tǒng)的教學(xué)效果良好，相較于傳統(tǒng)實(shí)驗(yàn)方案課程目標(biāo)達(dá)成度得到了明顯提升，如表2所示。

Table 2 Achievement situation of curriculum objectives表2 課程目標(biāo)達(dá)成情況

5 結(jié)語(yǔ)

為了解決傳統(tǒng)目標(biāo)分揀實(shí)驗(yàn)的虛擬仿真教學(xué)實(shí)驗(yàn)系統(tǒng)，因依靠人工提取的圖像特征進(jìn)行分類，導(dǎo)致過(guò)程復(fù)雜、成本高、分類效率低、無(wú)法滿足機(jī)器學(xué)習(xí)等課程實(shí)驗(yàn)需求的問(wèn)題。本文通過(guò)改進(jìn)YOLOv3 算法，提出一種基于深度學(xué)習(xí)的目標(biāo)分揀教學(xué)實(shí)驗(yàn)系統(tǒng)。具體為：①利用Mobile-NetV2 替換傳統(tǒng)算法的特征提取網(wǎng)絡(luò)，以減少特征尺度；②將YOLOv3 的損失函數(shù)替換為調(diào)整后的Focal loss；③將錨點(diǎn)框聚類算法替換為K-Means++。

本文以元器件分揀為例，在物理樣機(jī)上的比較實(shí)驗(yàn)結(jié)果表明，所提模型能快速識(shí)別與分揀目標(biāo)、控制機(jī)械臂進(jìn)行分揀操作，完成了目標(biāo)分揀實(shí)驗(yàn)的教學(xué)要求。雖然，該系統(tǒng)為人工智能相關(guān)專業(yè)的教學(xué)、科研和課外學(xué)術(shù)競(jìng)賽提供了一套完整的實(shí)驗(yàn)平臺(tái)，具有良好的實(shí)用價(jià)值，但分類物品的種類有待提高，目標(biāo)檢測(cè)精度仍具有進(jìn)一步提升的空間。