为了在大视场图像上快速识别与定位螺钉,提出了一种形状匹配与YOLOv3相结合的螺钉识别与定位算法。在LINEMOD算法的基础上,使用金字塔分层匹配策略提升了在图像上的搜索效率。为应对大视场的使用场景,使用了YOLOv3目标检测网络来缩小需要遍历匹配的区域。针对螺钉表面反光而造成误匹配的情况,采用了一种区域投票的决策机制来剔除误匹配的点。实验结果表明该算法,较传统形状匹配算法,在大视场图像上的检测速度提高了10倍,能够达到每秒10帧的检测速度。在螺钉的识别与定位方面,算法表现出了很高的稳定性,定位精度可以控制在0.2mm以内,符合实际生产需求。

毛刺缸套外观缺陷种类繁多、评判标准不一,导致传统图像处理方法提取的特征信息鲁棒性较差,影响其检测效果。为了解决上述问题采用深度学习算法对缺陷位置定位,提取缺陷区域,结合图像处理算法进行定量分析,准确计算缺陷面积的大小。通过对YOLOv3算法进行优化,增加注意力空间机制、密集采样的方法对图像的不同通道的特征进行学习,并且加深特征层之间的语义信息的传递和复用。通过对比实验发现,经过改进后的深度学习算法检测精度提升4.4%,漏检率减少7.5%,并且单张图像检测时间为86ms,满足工业生产的实时性要求,结合图像处理进行定量分析,准确判别产品的缺陷。

为实时识别电梯厢内的蹦跳、扒电梯门、踹电梯门、打架、摔倒等危险行为,避免电梯安全事故的发生,提出了利用YOLOv3目标检测算法及三维卷积神经网络(3DCNN)进行电梯危险行为监测的方法。首先建立了包括6类电梯行为的目标检测数据集及动作识别数据集;然后训练了YOLOv3目标检测算法以进行电梯乘客检测,检测准确率可达96.6%,检测速度可达32fps/s;最后设计了三维卷积神经网络模型,并在动作识别数据集上进行训练,最后在测试集上对设计的三维卷积神经网络进行测试,结果表明,设计的三维卷积神经网络模型对电梯危险行为的识别准确率可达到88.3%,识别速度可达306fps/s。

针对复杂工业场景下安全帽佩戴检测存在检测精度低、误检率和漏检率高以及检测速度慢等问题,提出一种改进YOLOv3的识别精度高、检测速度快的安全帽佩戴检测算法。对传统YOLOv3主干网络进行裁剪改进,使检测速度得到明显提升;引入空间金字塔池化模块使局部特征和全局特征更有效地融合;将损失函数改进为CIoU以提升目标预测框与真实目标框的拟合效果;扩充第四特征融合尺度用于小目标检测以提高小目标的识别精度。结果表明:在复杂工业环境下,改进后的YOLOv3安全帽佩戴检测的平均检测精度提高了2.37%,且检测速度提升了2.7倍,同时降低了安全帽佩戴检测的漏检率以及误检率。