基于改进YOLOv2的白车身焊点检测方法

摘要：

基于机器视觉的白车身焊点自动化检测为车身焊接质量控制提供了有效的途径,然而受环境光污染的影响,焊点自动化检测装备的机器视觉系统较难进行准确定位.为解决传统的图像处理方法受环境干扰大及鲁棒性差的问题,提出一种基于深度学习的焊点位置检测方法.引入MobileNetv2的卷积结构代替YOLOv2的卷积层,并借鉴YOLOv2的细粒度特征的方法,解决YOLOv2模型参数较多的问题.采用GIoU loss对模型的损失函数进行改进,利用K-means聚类算法得到适合焊点数据集的anchor,从而获得高可靠性的轻量化白车身焊点位置检测模型FGM_YOLO.在白车身焊点测试集上进行测试,结果表明,与原YOLOv2模型相比,该模型的平均精度提升了2.47％,模型参数约为原模型的1/16,检测速度提高2倍,大幅提高了检测效率.

关键词：焊点检测、YOLOv2模型、MobileNetv2卷积、深度可分离卷积、交并比

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金创新研究群体项目;国家自然科学基金;广西科技大学广西汽车零部件与整车技术重点实验室开放课题;长沙市科技计划

在线出版日期：2021-01-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：246-254