科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 随着工业领域智能分拣业务的兴起，目标检测引起越来越多的关注。然而为了适应工业现场快速部署和应用的需求，算法只能在获得少量目标样本的情况下调整参数；另外工控机运算资源有限，工业零件表面光滑、缺乏显著的纹理信息，都不利于基于深度学习的目标检测方法。目前普遍认为Line2D可以很好地用于小样本情况的低纹理目标快速匹配，但Line2D不能正确匹配形状相同而颜色不同的两个零件。对此，提出一种更为鲁棒的低纹理目标快速匹配框架CL2D(color Line2D)。方法 首先使用梯度方向特征作为物体形状的描述在输入图像快速匹配，获取粗匹配结果；然后通过非极大值抑制和颜色直方图比对完成精细匹配。最后根据工业分拣的特点，由坐标变换完成对目标的抓取点定位。结果 为了对算法性能进行测试，本文根据工业分拣的实际环境，提出了YNU-BBD 2020(YNU-building blocks datasets 2020)数据集。在YNU-BBD 2020数据集上的测试结果表明，CL2D可以在CPU平台上以平均2.15 s/幅的速度处理高分辨率图像，在精度上相比于经典算法和深度学习算法，mAP(mean average precision)分别提升了10%和7%。结论 本文针对工业零件分拣系统的特点，提出了一种快速低纹理目标检测方法，能够在CPU平台上高效完成目标检测任务，并且相较于现有方法具有显著优势。
- 单位
