基于改进YOLOv3算法的堆叠工件检测

针对传统物体检测算法识别堆叠工件存在准确率低以及漏检的问题，提出一种基于改进YOLOv3算法的堆叠工件检测方法。首先，引入Inception结构增强特征检测网络的特征提取能力，提高堆叠工件检测的准确率；其次，引用增强型特征金字塔结构(enhanced feature pyramid network, EFPN),提高模型多尺度特征融合能力，改善算法漏检率高的问题；最后，利用K-means聚类融合交并比损失函数(intersection over union, IOU)重新确定工件锚框，解决YOLOv3网络预设锚框尺寸不适合现有工件的问题。实验结果表明，改进算法均值平均精确度(mean average precision, mAP)达到92.89%,相较于原始YOLOv3算法提高了5.32%,F1值为0.95,召回率为93.33%,精确率为97.65%,满足堆叠工件检测的指标要求。