科研之友
微信
新浪微博
Facebook
分享链接
摘要
对汽车配件上的零部件实时检测是生产装配中的重要生产流程，汽车配件上的零件型小而繁多，导致检测成本高针对以上问题，将YOLOv3深度学习网络应用于汽车配件识别与检测中。根据具体的应用场景，自创建PART数据集对YOLOv3模型进行训练。因迭代自组织数据分析(iterative self-organizing data analysis technique，ISODATA)聚类算法解决了K-means算法无法确定海量数据下k的大小的缺陷，故采用ISODATA得到适合该数据集的锚定值。此外，训练时在重叠度(Intersection over Union，IOU)的基础上引入 CIOU 边界框回归损失函数。实验结果表明，改进的 YOLOv3 目标检测算法在满足实时性要求的情况下，平均精度(mAP)为0.950，平均检测时间为60 ms。与原YOLOv3算法相比，改进后的YOLOv3算法的准确率提高了4%，平均检测时间减少了7 ms，有效解决了原YOLOv3存在的定位精度偏低和漏检问题。
- 出版日期2022
- 单位沈阳理工大学
