基于改进YOLO v5的机床刀具识别方法

针对目前机床刀具分类应用较少、预处理复杂、目标检测适用范围小且识别精度不高的问题，提出基于改进的YOLO v5机床刀具图像识别算法，利用卷积神经网络在特征提取层加入CBAM注意力模块，可以更清晰地提取图像特征，在特征融合层加入CARAFE上采样模块，使刀具的表面特征恢复更好，可以减少特征融合时部分特征的丢失。实验结果表明，改进后的算法使机床刀具等小目标检测精度和检测速度明显提升，且改进后的模型平均精度为96.8%,比YOLO v4模型提高了14.96%,比YOLO v5模型提高了2%。本方法能对不同刀具进行识别，为工业制造中机械零件的识别提供了新的算法支持。