基于改进SSD的零件目标检测研究与应用

汪小龙,蒋永胜

(安徽建筑大学 机械与电气工程学院,安徽 合肥 230601)

0 引言

深度学习算法[1-2]可以自动的学习待检测目标的特征信息,且能够优化分类器模型,训练后具有更高的特征泛化性,在特征提取方面具有明显的优势,这也为机械零件目标检测提供了一种新思路.目前,基于深度学习的目标检测算法可分为两类[3],一类是基于区域的目标检测算法,如R-CNN[4]、Fast R-CNN[5]、Faster R-CNN[6]等,这类算法的检测精度高,检测速度慢;另一类是基于回归的目标检测算法,如SSD[7]、YOLO[8-9]系列等,这类算法的检测精度偏低,但检测速度快,可以满足实时性的要求.

由于传统算法无法同时满足检测精度和实时检测的要求,且综合比较了多种基于深度学习目标检测算法的优缺点,本文选用SSD算法作为基础算法进行改进以研究针对机械零件的目标检测.将传统SSD模型中的VGG[10]替换为MobileNet V2[11],简化模型结构,减少运算量[12-13],从而提高模型的检测速率.同时,为了提高模型检测的准确率,引入了Focal loss作为分类损失函数，并通过网络爬取和实物拍照的方式获取数据,自制机械零件数据集，最后通过实验进行对比分析.相比传统SSD算法,本文改进SSD算法在检测速率和检测精度上都有一定的提升,在机械零件目标检测上具有一定的实用意义.

1 SSD算法模型

1.1 SSD算法原理

SSD算法是一种基于回归的目标检测算法,其网络结构主要由基础网络层和附加网络层2部分组成,基础网络层使用VGG网络作为主干特征提取网络,附加网络层为多……