深度学习的机械臂目标检测算法

打开文本图片集

摘要 针对现有的目标检测算法部署在机械臂上会占用大量系统资源、检测实时性差、模型参数量大等问题，提出一种改进YOLOv5的目标检测算法。首先，在YOLOv5骨干网络融入ShfflenetV2模块代替原本的焦点模块和跨级局部暗格网络，实现网络的轻量化；其次，主干网络末端颈部将带有残差精化的上下文转换器注意力（context-transformer with residual refinement，CTR3） 模块嵌入到所设计的骨干网络中，来改善模型的特征提取潜力并减小采样带来的损失；再次，头部采用基于一致性的自适应信息传递注意力 （similarity-based adaptive message passing attention，SimAM） 模块来增强特征的跨尺度融合能力；最后，为提高检测算法对目标的边界框回归速率和样本稳固性，引入新型加权交并比 （weighted intersection over union，WIoU） 函数，在目标检测网络设计完成后，将其部署在机械臂上并完成验证。（剩余14358字）