基于改进YOLOv3的集卡车头防砸检测
在自动化港口集装箱起重机作业流程中,集卡车头防砸检测是不可或缺的一个环节.针对在此环节采用人工确认方法效率低和基于激光扫描方法耗费高、系统复杂的问题,本文提出一种基于作业场景视频图像和深度学习的算法对集卡车头进行目标检测.建立集卡车头样本数据集,采用DCTH-YOLOv3检测模型,通过模型迁移学习方法进行样本训练.DCTH-YOLOv3模型是本文提出的一种改进YOLOv3算法模型,该算法改进了YOLOv3的FPN结构提出一种新的特征金字塔结构—AF_FPN,在高、低阶特征融合时通过引入具有注意力机制的AFF模块聚焦有效特征、抑制干扰噪声,提高了检测精度.另外,使用CIoU loss度量损失替代L2损失,提供更加准确的边界框变化信息,模型检测精度得到进一步提升.实验结果表明:DCTH-YOLOv3算法在GTX1080TI上检测速率可达46 fps,相比YOLOv3算法仅降低了3 fps;检测精度AP0.5为0.997 4、AP0.9为0.489 7,其中AP0.9相比YOLOv3算法提升了16.4%.本研究算法相比YOLOv3算法,精度更高,更能满足自动化作业对集卡防砸检测高精度、快识别的要求.
计算机视觉、集卡车头检测、深度学习、DCTH-YOLOv3、智能制造、目标检测
32
TP391.41;TN911.73;TP183
2023-02-15（万方平台首次上网日期，不代表论文的发表时间）
共9页
190-198
