面向手机部件的目标检测方法研究与应用

作     者：黄哲 

作者单位：中国科学院大学(中国科学院沈阳计算技术研究所) 

学位级别：硕士

导师姓名：马跃

授予年度：2021年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：目标检测 小占比目标 卷积神经网络 CSPNet 

摘      要：随着通讯产业的飞速发展,手机成为人们日常生活中不可或缺的工具之一。工业生产线逐步向智能化的方向发展,高精度制造业面临诸多挑战,手机的智能制造也变的越来越重要。针对在生产线上检测手机部件种类是否齐全,各个手机部件的位置是否出现在正确的地方,传统的目标检测方法存在很多缺陷,例如效率低,因检测时的碰撞而导致部件损坏。并且工业生产线检测手机部件时,环境复杂多变,干扰因素较多,目标占比小,难以提高检测精度和效率。随着GPU的发展,利用深度学习来解决以上问题成为可能。利用计算机视觉技术检测手机部件可以提高检测效率,提升检测精度,并且具有较好的鲁棒性,因此,在手机部件的生产过程中,利用计算机视觉技术实现检测变得越来越重要。通过研究近年来已有的目标检测算法,针对手机部件的目标检测算法进行研究,提出了一种CSP＿DSSD（Cross Stage Partial＿Deconvolution Single Shot Muti Box Detector）的单阶段目标检测算法,主要工作如下:1.研究了计算机视觉中的目标检测领域的单阶段检测算法,针对SSD（Single Shot Multi Box Detector）算法识别小占比目标较精确率不高的缺点,提出了基于反卷积结构的改进多次反卷积的算法来提升检测精度。为了降低噪声对小占比目标的识别准确率,本文使用多次反卷积并分段进行操作,减少噪声的干扰。2.针对SSD算法的浅层的语义信息不足,深层边缘信息不足的缺点,提出了基于特征图结构的改进多尺度融合算法,添加新的特征卷积层Conv3＿3来提升手机部件中小占比目标的检测精度。采用不同位置的特征层去检测大小目标。利用这种方法可以有效的避免特征图带来的缺点。3.针对模型准确度比较低,训练过程困难,模型在计算过程中由于梯度下降算法导致计算量过高,内存占用量大的问题,提出了基于CSPNet（Cross Stage Partial Network）改进的梯度融合算法,利用保存重复的梯度信息以缓解大量推理计算的CSP block模块。所提出的网络通过整合网络阶段开始和结束的特征图来避免梯度的重复性,使网络模型能够实现更丰富的梯度组合,同时减少计算量。总之,本文主要面向手机部件的目标检测算法进行研究,结合相关理论研究,利用所提出的CSP＿DSSD算法,在实际采集的数据集上进行试验,得到的实验结果对已有的算法进行比较。实验结果表明,该算法极大提升了手机部件中的小目标的识别准确率,对目标区域的识别错误率也在可接受范围内,具有很高的实用价值。