采用改进 YoloV4 算法的连接件识别方法

李翠明; 王龙; 徐龙儿; 王华

doi:10.13433/j.cnki.1003-8728.20230133

Chinese

您当前的位置：

首页 >

文章列表页 >

采用改进 YoloV4 算法的连接件识别方法

更新时间：2026-07-10

- 采用改进 YoloV4 算法的连接件识别方法
- Connection Recognition Method Using Improved YoloV4 Algorithm
- 机械科学与技术 2024年43卷第12期页码：2138-2146
- 作者机构：
  
  兰州理工大学机构机电工程学院,兰州,730050
- 作者简介：
  
  李翠明，副教授，硕士生导师，博士，
- 基金信息：
  
  国家自然科学基金项目(52265065)与甘肃省自然科学基金项目(18JR3RA139)
- DOI：10.13433/j.cnki.1003-8728.20230133
  中图分类号：
- 纸质出版：2024
- 稿件说明：
移动端阅览
李翠明, 王龙, 徐龙儿, 等. 采用改进 YoloV4 算法的连接件识别方法[J]. 机械科学与技术, 2024,43(12):2138-2146.

李翠明, 王龙, 徐龙儿, et al. Connection Recognition Method Using Improved YoloV4 Algorithm[J]. Mechanical Science and Technology for Aerospace Engineering, 2024, 43(12): 2138-2146.
李翠明, 王龙, 徐龙儿, 等. 采用改进 YoloV4 算法的连接件识别方法[J]. 机械科学与技术, 2024,43(12):2138-2146. DOI： 10.13433/j.cnki.1003-8728.20230133.

李翠明, 王龙, 徐龙儿, et al. Connection Recognition Method Using Improved YoloV4 Algorithm[J]. Mechanical Science and Technology for Aerospace Engineering, 2024, 43(12): 2138-2146. DOI： 10.13433/j.cnki.1003-8728.20230133.

摘要

为实现连接件的自动化装配与分拣，提出了一种改进的YoloV4算法用于连接件的识别。首先在YoloV4的基础上，将YoloV4中的主干网络CSP-Darknet53替换为轻量级的GhostNet网络，同时把YoloV4中用到的普通卷积替换成深度可分离卷积来进一步减少参数量，并通过K-means++聚类算法来避免K-means聚类算法中的缺点

生成先验框尺寸。试验结果表明，改进后的YoloV4算法的平均精度值高达100%，识别速度得到大幅提高，参数量较YoloV4减少了82%，可提高在嵌入式设备的应用范围，为智能制造提供了技术支持。

Abstract

In order to realize the automatic assembly and sorting of connectors

this paper proposes an improved YoloV4 algorithm for connector identification. First

CSP-Darknet53

the backbone network in YoloV4is replacedby a lightweight GhostNet network. At the same time

the ordinary convolution used in YoloV4is also replaced with a deeply separable convolution to further reduce the number of parameters

and K-means++clustering algorithm is used to avoid the shortcomings of K-means clustering algorithm and generate a priori box size. The experimental results show that the average accuracy of the improved YoloV4 algorithm is as high as 100%

the recognition speed is greatly improved

and the number of parameters is reduced by 82% compared with YoloV4

which can improve the application range of embedded devices and provide technical support for intelligent manufacturing.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

高速运动下Delta机器人离散自抗扰控制

应用动态时间归整算法的飞机液压系统性能异常识别方法研究

对角切片谱和角域FIR滤波的变转速滚动轴承故障特征提取

CF/PEEK-AA7075搅拌摩擦铆接成型机理及力学性能研究

多区域坐标网格的应变视觉测量技术研究