【技术实现步骤摘要】
基于改进YOLOv5网络的堆叠工件检测方法
[0001]本专利技术属于目标检测和计算机视觉领域,涉及基于改进
YOLOv5
的堆叠工件检测方法
。
技术介绍
[0002]工业零件分拣在生产环节中占有重要的地位,使用工业机器人完成工件分拣,可以降低人力成本,提高分拣效率
。
技术实现思路
[0003]本专利技术的目的在于:现有的算法在工件堆叠识别中的检测精度仍不够好,很容易导致漏检和误检
。
为了提高堆叠工件的检测精度及召回率,本专利技术主要使用了
YOLOv5
检测算法,利用了边缘信息融合模块和注意力机制模块,提出了一种改进
YOLOv5
的堆叠工件检测的方法
。
[0004]实现本专利技术目的的技术方案为:一种基于改进
YOLOv5
网络的堆叠工件检测方法,包括:
[0005]将处理后的图片输入改进
YOLOv5
网络中进行迭代训练,通过反复迭代训练获得最优权重模型,将待检测图片输入最优权重模型进行堆叠工件检测
。
[0006]优选地,通过自行拍摄制作原始图片数据集,对原始图片进行标签标注,标签分为六种,分别为
bearing、shim、screw、Spring washer、Triangle lifting ring
和
nut
,分别是轴承
、
垫片
、
螺钉
、
弹 ...
【技术保护点】
【技术特征摘要】
1.
基于改进
YOLOv5
网络的堆叠工件检测方法,其特征在于,包括:将原始图片输入到引入边缘信息融合模块
、CA
注意力机制
、BIPFN
和
CIOU loss
的
YOLOv5
网络中进行迭代训练,通过反复迭代训练获得最优权重模型,将待检测图片输入最优权重模型进行堆叠工件检测
。2.
根据权利要求1所述的基于改进
YOLOv5
网络的堆叠工件检测方法,其特征在于,所述边缘信息融合模块由图像灰度化模块和
sobel
算子模块以及融合模块所组成;其中图像灰度化模块和
sobel
算子模块分别是由已固定参数信息的1个1×1卷积层和2个3×3卷积层组成,特征图先进入图像灰度化模块,之后再经过
sobel
算子后,将两个边缘特征图进行融合操作
。3.
根据权利要求1所述的基于改进
YOLOv5
网络的堆叠工件检测方法,其特征在于,目标
YOLOv5
算法模型中的
backbone
结构的第4个
C3_n
之后
SPPF
模块之前加入
CA
注意力机制
。4.
根据权利要求3所述的基于改进
YOLOv5
网络的堆叠工件检测方法,其特征在于,所述
C3
‑
n
模块包含三个标准卷积层以及
n
个
Bottleneck
模块,
C3
‑
n
模块用于对残差特征进行学习,其结构分为两支,一支指定
n
个
Bottleneck
模块和1个标准卷积层,另一支经过1个标准卷积层,最后将两支进行特征融合操作后经过1个标准卷积层
。5.
根据权利要...
【专利技术属性】
技术研发人员:郭宏,畅晨吕,张德华,李欣伦,焦士轩,
申请(专利权)人:太原科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。