针对集装箱侧面吊机械臂对角件锁孔的识别问题进行研究,结合深度学习技术提出改进的CenterNet目标检测算法。首先,选取DLA(Deep Layer Aggregation)为骨干网络,将关键点高斯热图由圆形改进为椭圆形,提高算法对锁孔的识别准确率;其次,在...针对集装箱侧面吊机械臂对角件锁孔的识别问题进行研究,结合深度学习技术提出改进的CenterNet目标检测算法。首先,选取DLA(Deep Layer Aggregation)为骨干网络,将关键点高斯热图由圆形改进为椭圆形,提高算法对锁孔的识别准确率;其次,在骨干网络DLA中添加RFB(Receptive Field Block)模块以增大算法对锁孔的感受野;最后,将ReLU(Rectified Linear Uint)激活函数改进为PReLU(Parametric Rectified Linear Uint)以解决神经元“死亡”问题。在集装箱锁孔数据集上完成对比试验,试验结果表明改进后的CenterNet目标检测算法对集装箱锁孔的识别准确率为99.8%,处理速度为19.61帧/s,可满足电气化铁路场站的集装箱装卸需求。展开更多
文摘针对集装箱侧面吊机械臂对角件锁孔的识别问题进行研究,结合深度学习技术提出改进的CenterNet目标检测算法。首先,选取DLA(Deep Layer Aggregation)为骨干网络,将关键点高斯热图由圆形改进为椭圆形,提高算法对锁孔的识别准确率;其次,在骨干网络DLA中添加RFB(Receptive Field Block)模块以增大算法对锁孔的感受野;最后,将ReLU(Rectified Linear Uint)激活函数改进为PReLU(Parametric Rectified Linear Uint)以解决神经元“死亡”问题。在集装箱锁孔数据集上完成对比试验,试验结果表明改进后的CenterNet目标检测算法对集装箱锁孔的识别准确率为99.8%,处理速度为19.61帧/s,可满足电气化铁路场站的集装箱装卸需求。
