摘要
物料分拣和瑕疵检测是工业生产领域最常见的两种作业场景，物料分拣是指参照生产需求，对杂乱摆放的物料按序挑选；瑕疵检测是指检测产品或零部件外观和性能，筛选出瑕疵品，提高产品良品率。这两项工作重复性高，实施背景单一，人工操作效率低，随着用工成本逐年增加，二者已成为工业自动化生产领域重要应用场景。在工业自动化生产中，计算机视觉研究方向上的目标检测技术运用最为广泛。传统自动化生产中目标检测算法多为机器学习方法，随着基于深度学习的目标检测算法日趋成熟，其在实际应用中的表现远好于传统机器学习算法。本文围绕相关企业提出的两项自动化生产需求进行研究。这两项需求为：物料分拣任务，该任务旨在识别物料盘中散乱的电子元器件，将其种类与位置信息传递给机械臂，机械臂按序夹取并准确放置在生产崔盘内；瑕疵检测任务，该任务旨在将面板瑕疵状况传递给机械臂，机械臂剔除瑕疵面板，无瑕疵面板进入下一轮生产。本文基于上述需求，分别评测了SSD，YOLOv5s、Faster-RCNN和Mask-RCNN四种基于深度学习的目标检测算法在任务数据集上的性能，选择性能最优的YOLOv5s算法作为基础算法，同时，结合物料分拣和瑕疵检测两项任务目标的不同，分别对算法进行改进，最后的实验结果表明，算法能够满足企业自动化生产需求。自动化生产系统包括图像处理部分和动力传输装置部分，本文主要研究图像处理部分的目标检测算法，不涉及整个自动化生产系统的流转与运作。本文的研究内容包括三个方面： （1）数据集制作和四种算法性能评估。目标检测算法均需数据集进行训练，本文是基于特定任务的工程应用研究，没有符合要求的公共数据集，因此，任务数据集需要笔者自己收集。企业无法提供生产环境下的数据集收集条件，仅提供相应物料，本文依据任务特点和需求，在实验室环境下完成了数据集收集和标注工作。其次，为两项任务分别设计了算法性能量化评估标准，基于任务数据集，每项任务分别评测三种目标检测算法，根据评测结果，两项任务均选择性能最优的YOLOv5s目标检测算法，作为完成任务的基础算法。 （2）基于瑕疵检测数据集，改进YOLOv5s算法，提高瑕疵面板检测能力。首先，在瑕疵检测任务中，本文针对数据集数据量少，数据收集困难，数据集制约算法训练效果的问题，提出了一种二次迁移学习的方法，该方法能够缓解数据集数量上的制约；其次，本文针对良品面板误检率高的问题，改进了YOLOv5s模型中的锚框生成策略，使先验框大小与目标实际大小更接近。实验结果表明，改进后的算法能够满足企业生产需求，提高生产效率。 （3）基于物料分拣数据集，本文深入分析了YOLOv5s算法检测性能，基于算法几类检测缺陷，加强了数据集设计，有针对性地扩充了数据集，此外，根据算法邻近目标检测能力弱，时常会漏检小目标的问题，重新设计了算法输出端的非极大值抑制方法，强化了算法检测重叠目标的能力。实验结果表明，改进后的算法性能较基础算法有较大提升，漏检、误检现象明显减少。
NETL