鲁恒润 李 强 杨文旺

(矿冶科技集团 北矿机电科技有限责任公司，北京 100160)

阴极板的锌片脱离是锌电解生产工艺中的重要步骤之一，自动剥锌机通过剥刀可实现锌片自动剥离，但由于剥锌机在剥离锌片过程中会产生锌片剥离不彻底导致极板残留锌片。传统方法需要工人使用工具进行二次剥离，人工剥离效率低、劳动强度大。随着机器视觉技术的快速发展，使用视觉技术识别锌阴极板残留具有非接触、实时性好的特点，可以有效提高剥锌机的剥锌效率，提升装备智能化水平。

在图像识别领域，传统的识别方法大都采用基于特征的方式[1-2]，通过提取目标识别物的纹理、颜色、形状等信息进行识别，该方法依赖于人工设计的特征，当目标物的颜色、光照等发生变化时，识别准确度、稳定性无法保证。另外，基于模板匹配的方法，根据图像之间的相似度进行识别，同样容易受到外界干扰(光照、拍摄角度等)造成的影响。

近年来，深度学习技术在图像识别等领域快速发展，基于深度学习的图像识别方法通过多层卷积神经网络自动提取图像的特征，具有较高的鲁棒性和识别准确度[3-13]。本文以算法YOLOv3[12]为基础，通过改进算法的主干网络以及候选框生成策略提升了模型的泛化能力，提高锌阴极板的残留物识别的准确度，实现故障锌极板的在线识别。

1 YOLOv3算法原理

YOLO(You only look once)系列算法是单阶段目标检测器中经典算法之一，由Joseph Redmon 等在2016年首次提出。YOLOv3是其第三代版本，在YOLOv1[10]和YOLOv2[11]算法的基础上，结合FPN特征金字塔[13]和Faster-rcnn[8]的Anchor机制，显著提升了单阶段检测器的检测精度。……