基于深度学习的装配零部件识别与定位方法

工业4.0和中国制造强调智能化生产与装配,而在机床加工装配过程中存在装配零部件识别与定位精度低、效率低的问题。因此,基于轻量化网络、注意力和信息融合机制,提出一种零部件识别与定位算法LAI YOLOv5。首先,在YOLOv5网络结构中通过对卷积层进行轻量操作,有效解决神经网络参数量多、浮点运算量大、显存占用高和实时检测速度慢的问题;然后在主干网络中引入注意力机制,增加特征提取的倾向性,提升被检测物体的显著度;最后在特征融合网络中增加跨通道信息融合机制,增强特征检测能力。
实验结果表明：与原始算法相比,在模型结构方面,改进后的LAI YOLOv5算法参数量和网络层数分别减少了约45.98%和28.46%,浮点运算量减少了约55.82%,显存占用降低了15.51%,训练时间缩短约32.27%。同时,训练精确度达到96.80%,训练覆盖率达到95.01%,实时检测效率提升至100.739 fps,检测准确率高达98.62%。