摘要

在某些固定的工业应用场景中,对目标检测算法的漏检容忍性非常低。然而,提升召回率的同时,目标周围容易规律性产生一些无重叠的虚景框。传统的非极大值抑制(NMS)策略主要作用是抑制同一目标的多个重复检测框,无法解决上述问题。为此设计了一种各向异性NMS方法,对目标周围不同方向采取不同的抑制策略,能够有效消除规律性的虚景框。固定的工业场景中的目标形状和规律的虚景框往往具有一定关联性。为了促进各向异性NMS在不同方向的精确执行,设计了一种比例交并比(IoU)损失函数,用来引导模型拟合目标的形状。此外,针对规则目标使用了一种自动标注的数据集增广方法,降低人工标注工作量的同时扩大了数据集规模。实验结果表明,所提方法在轧辊凹槽检测数据集上的效果显著,应用于YOLO系列算法在不降低速度的同时提升了检测精度。目前该算法已成功应用于某冷轧厂轧辊自动抓取的生产线。

  • 单位
    武汉科技大学; 智能信息处理与实时工业系统湖北省重点实验室