论文部分内容阅读
针对工业机器人分拣场景下的散乱堆叠工件目标识别率不高、实时性较差的问题,采用检测速度较快且性能较好的深度学习YOLO v3算法对工业场景下的法兰盘和三通管进行目标识别,使用Darknet-53网络,采用K-means聚类得到先验框的尺寸,并使用logistic对目标进行预测.通过KinectV2相机采集目标RGB数据制作数据集,完成样本的训练.试验结果表明,在工业场景下YOLO v3算法相较于传统算法HOG+SVM对散乱堆叠的目标识别结果准确率更高、识别速度更快,并且具有良好的鲁棒性.