典型文献
基于SlimYOLO的控制箱零件检测方法
文献摘要：
控制箱零件检测是控制箱生产过程中的重要环节.采用机器视觉方法可自动识别控制箱内零件的类别及安装位置,及时检测控制箱装配缺陷.然而现有目标检测深度学习模型时效性较低,难以满足控制箱零件在线实时检测需求.本文对YOLOv4目标检测模型进行剪枝和优化,提出了轻量级的目标检测模型SlimYOLO.SlimYOLO改进了特征提取网络结构,压缩了冗余特征层,提高了模型推理速度.同时采用Kmeans++聚类算法对模型anchor框参数进行聚类分析,提升了模型对控制箱的检测效果.基于自主构建的控制箱零件数据集开展了多项对比实验研究,SlimYOLO的平均检测精度为98.08％,较YOLOv4提升0.58％,模型体积缩小9.8％,参数量减少了700万,推理速度提升了10％,为实际工业场景中控制箱零件的快速智能化检测奠定了基础.
文献关键词：
装配缺陷检测;控制箱;基于视觉的缺陷检测;目标检测;YOLOv4
中图分类号：
作者姓名：
冯晨光;魏巍;陈灯;张彦铎;刘玮;栗娟
作者机构：
武汉工程大学智能机器人湖北省重点实验室 武汉430205
文献出处：
引用格式：
[1]冯晨光;魏巍;陈灯;张彦铎;刘玮;栗娟-.基于SlimYOLO的控制箱零件检测方法)[J].电子测量技术,2022(17):120-126
A类：
SlimYOLO,装配缺陷检测,基于视觉的缺陷检测
B类：
控制箱,零件检测,机器视觉,自动识别,识别控制,箱内,安装位置,检测控制,检测深度,深度学习模型,实时检测,YOLOv4,目标检测模型,剪枝,轻量级,特征提取网络,冗余特征,模型推理,推理速度,Kmeans++,聚类算法,anchor,检测效果,自主构建,件数,检测精度,参数量,工业场景,中控,智能化检测
AB值：
0.338076
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
