基于改进的YOLO v3的工件识别方法研究

针对传统识别方法受工件的摆放角度、位置影响较大,鲁棒性差的问题,提出了一种基于改进的YOLO v3的工件识别方法。首先,采用深度可分离卷积网络对Darknet网络进行结构改进,减少了计算复杂度,提高了检测速率;其次通过K-means聚类方法对数据集参数进行聚类,得到了更适合工件识别的预测框,确定了预测框的参数;然后运用了图像增强的方法对采集的图像集进行处理,扩充了训练样本;最后在训练迭代后,采用多种评价指标联合评价的方法,将所设计的算法与多种检测算法进行对比。实验结果表明,基于改进的YOLO v3的工件识别方法在测试集的准确率达96.5%,召回率达93.4%,识别速率达63fps,更能满足工业生产中工件识别的需求。