分拣机器人在不稳定光照、工件相似度高和图像模糊等复杂的工业环境下识别减震铝筒时,检测模型难以捕捉关键特征,导致分拣的准确性较低。针对上述问题,提出基于YOLOv11n模型的针对特殊工况下的减震铝筒目标检测的改进算法。首先,针对工...分拣机器人在不稳定光照、工件相似度高和图像模糊等复杂的工业环境下识别减震铝筒时,检测模型难以捕捉关键特征,导致分拣的准确性较低。针对上述问题,提出基于YOLOv11n模型的针对特殊工况下的减震铝筒目标检测的改进算法。首先,针对工件相似度高的问题,设计了边缘与空间信息整合模块(edge and spatial information integration module,ESIIM)作为网络的前端模块,能够更加全面地刻画减震铝筒图像内容;其次,引入全维度动态卷积ODConv对基础模型中的C3K2内部进行重构,通过多维度注意力机制优化特征选择过程;再次,在Neck部分加入CGAFusion模块融合来自不同层的特征图,增强特征的表示能力,减小误检率;最后,加入动态上采样器DySample采样方法,在保持高效率的同时,提升了处理质量。试验结果表明,该模型在自制数据集下的mAP@0.5:0.95达到了90.3%,较基准模型提升了4.1%。同时,减震铝筒的错检率降低了5.53%。满足分拣机器人对减震铝筒精准识别的要求。展开更多
文摘分拣机器人在不稳定光照、工件相似度高和图像模糊等复杂的工业环境下识别减震铝筒时,检测模型难以捕捉关键特征,导致分拣的准确性较低。针对上述问题,提出基于YOLOv11n模型的针对特殊工况下的减震铝筒目标检测的改进算法。首先,针对工件相似度高的问题,设计了边缘与空间信息整合模块(edge and spatial information integration module,ESIIM)作为网络的前端模块,能够更加全面地刻画减震铝筒图像内容;其次,引入全维度动态卷积ODConv对基础模型中的C3K2内部进行重构,通过多维度注意力机制优化特征选择过程;再次,在Neck部分加入CGAFusion模块融合来自不同层的特征图,增强特征的表示能力,减小误检率;最后,加入动态上采样器DySample采样方法,在保持高效率的同时,提升了处理质量。试验结果表明,该模型在自制数据集下的mAP@0.5:0.95达到了90.3%,较基准模型提升了4.1%。同时,减震铝筒的错检率降低了5.53%。满足分拣机器人对减震铝筒精准识别的要求。
