何 瑞 丁泽庆

(1.黄河水利职业技术学院，河南 开封 475004；2.南阳技师学院，河南 南阳 473000)

微小零件的尺寸较小，不便于人工接触与识别。食品机械中的微小零件对产品的质量起决定作用，如饮料灌装设备中的轨迹控制轴承零件可以保证其生产线平稳，使得灌装具有一致性[1]；腐竹切割刀具的零件是腐竹切割质量的关键因素[2]。

机器视觉具有效率高、非接触式识别微小零件，可全检机械零件加工生产线。神经网络(Neural Network，NN)属于监督式学习算法[3]，其识别效果良好，被广泛应用于零件识别等领域，但是零件识别过程中需要较多的神经元，计算数据量大且需要较多训练样本。将小波变换与神经网络结合(WTNN)[4]，需要人工提取微小零件图像特征，特征提取的效果直接影响识别精度，同时在包含多目标的零件图像中无法进行有效提取。卷积神经网络(Convolutional neural network, CNN)具有更强的提取特征能力[5]，其网络结构通过局部连接实现，能够降低训练时需要的微小零件特征参数数量，由于采用误差反向传播算法进行训练，卷积神经网络存在收敛速度慢、训练成本高、泛化能力弱等缺陷。丰富功能阶段卷积神经网络算法(Rich feature hierarchies CNN,R-CNN)[6]在零件检测过程中分3个阶段：候选、提取特征信息和图像分类，各阶段相互分离，使得算法检测过程复杂，耗时较多，不便于优化。Faster R-CNN在一定程度上降低了卷积神经网络算法检测过程中的复杂度[7]，但其检测速度有待提高。运用卷积神经网络的级联结构YOLOv4算法[8]，其检测速度相较于R-CNN有了很大的提升，但其检测正确率较低，尤其是对于复杂场景和小目标物体的检测。……