Parts recognition method based on improved Faster RCNN

Abstract

针对传统机器视觉检测识别方法受到装配零件之间相互遮挡、零件不同位姿、外部光照强度、小目标漏检影响，检测准确率不高的问题，提出了一种改进的Faster RCNN（region-based convolutional neural networks）零件识别方法。首先使用提取特征更好的ResNet101网络代替原始Faster RCNN模型中的VGG16特征提取网络；其次针对原始候选区域网络，增加2个新的锚点并重新设置候选框的纵横比，以得到15种尺寸不同的锚点；然后针对传统非极大值抑制（non-maximum suppression，NMS）方法因删除交并比大于阈值的候选框而出现漏检问题，使用Soft-NMS方法替换传统的NMS方法，从而减少密集区域漏检的情况；最后在训练模型阶段采用多尺度训练策略，降低漏检率，提高模型准确率。对零件的识别实验结果表明：改进后的Faster RCNN模型能够达到96.1%的精度，较原始模型提升了4.6%，可以满足光照较强、存在水渍干扰等较为复杂环境中零件的识别检测。