基于YOLOv4模型的工件快速识别方法改进研究OA
为强化智能制造场景中机器人对工件的快速识别性能,从改进YOLOv4模型入手作了方法优化研究。首先,利用Ghost模块优化主干提取网络,以减少网络参数,提高网络检测速度;其次,引入DRConv卷积优化特征提取网络,以弥补对主干网络进行优化所造成的精度损失;最后,引入GAM注意力模块,以强化在光线不足条件下的适应性。通过对YOLOv4模型的改进,在保证较高识别精度和检测速度的同时,使模型规模得以简化,使工件快速识别网络趋于轻量化。
左皓楠;胡桂川;蒲小霞;侯文赛;邓春燕
重庆科技学院机械与动力工程学院,重庆401331重庆科技学院机械与动力工程学院,重庆401331重庆科技学院安全工程学院,重庆401331重庆科技学院安全工程学院,重庆401331重庆科技学院机械与动力工程学院,重庆401331
机械工程
智能制造工件识别YOLOv4模型轻量化网络GhostNet
《重庆科技学院学报（自然科学版）》 2024 (2)
P.56-61,6
重庆市科学技术局人工智能技术创新重大主题专项重点研发项目“基于全生命周期数据的超高水头冲击式发电机组智能预警与诊断系统”(CSTC2017RGZN-ZDYFX0026)技术创新与应用示范专项产业类重点研发项目“压气机整体叶盘高性能表面机器人磨削系统技术研发及应用示范”(CSTC2018JSZX-CYZDX0061)重庆科技学院研究生科技创新计划项目“智能制造中工件信息获取的智能算法研究”(YKJCX2120309)“基于协同深度学习的水电机组导轴承故障检测及性能劣化预测模型研究”(YKJCX2120713)“基于轻量化网络模型的水电机组转轮缺陷检测模型研究”(YKJCX2120727)。
评论