-
题名基于深度特征融合的小尺寸杆端关节轴承检测方法
被引量：1
- 1
-
-
作者
叶瑞峰
彭晋民
宋衍聪
赵文婷
-
机构
福建省智能加工技术及装备重点实验室(福建理工大学)
福建理工大学机械与汽车工程学院
深圳市南山区西丽街道办事处
-
出处
《制造业自动化》
2025年第1期45-52,共8页
-
基金
福建省高校产学合作项目(2020H6028)
2022年福建省省级科技创新重点项目(2022G02007)
福建省高等学校科技创新团队(闽教科[2020]12号)。
-
文摘
运用机器视觉检测密集、小尺寸杆端关节轴承存在特征信息少以及滑动球面的高可变性,导致识别不精确进而影响生产效率的问题;由此,提出一种深度学习目标检测算法模型,首先为了使网络携带更多语义信息,引入Space-to-depth Convolution(SPD-Conv)无步长卷积模块改进Backbone网络;提出Multilevel Feature Fused SPD(MFSPD)深度特征融合模块重新设计Neck网络,提升对小尺寸目标的特征信息提取能力与检测精度;在Head网络增加一个P4小尺寸检测头,使用加权K-means算法在数据集上获取先验框,增大先验框与特征图层匹配度,加快模型收敛速度;接着引入置信度传播聚类分析算法Confidence Propagation Cluster(CP-Cluster)做后处理,优化预测框置信度与检测速度;然后最后在自制数据集、TLESS数据集以及COCO数据集上评估算法性能,该目标检测算法在自制数据集与T-LESS数据集上mAP@.5达到96.8%与93.6%,在COCO数据集上mAP为55.7%,实验结果表明算法检测精度与特征信息提取能力效果显著。
-
关键词
小尺寸
杆端关节轴承
mfspd
CP-Cluster
加权K-means
-
Keywords
small size
rod-end joint bearing
mfspd
CP-Cluster
weighted k-means
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
