李昌明，李东年，陈成军，赵正旭

(青岛理工大学机械与汽车工程学院，山东 青岛 266520)

0 引言

近年来随着机器人在工业领域应用的普及，工业生产的自动化程度与日俱增，工业机器人凭借其高效性、准确性在工业自动化装配中的应用不断扩大。在工业自动化生产线上，零件识别起到了举足轻重的作用[1]。零件识别技术发展比较早，从最初以统计理论为基础的匹配识别开始到现在基于卷积神经网络的零件识别，在零件分类识别领域已经形成许多成熟的技术。严华等[2]根据零件轮廓特征提出了基于边界矩的用于机械零件识别的特征提取方法。郭幸荃[3]提出一种基于图像模板匹配的零件识别算法，对零件的图像与模板进行匹配，通过计算两者的相似程度进行零件识别。夏庆观等[4]提出了一种基于小波变换提取零件图像特征的零件识别方法，并用实验证明了该方法的有效性。

传统的零件识别需要人工提取图像特征，识别效率低，鲁棒性较差。随着卷积神经网络的兴起，许多基于卷积神经网络的零件识别算法被提出。刘学平等[5]提出一种自适应边缘优化的YOLO3目标识别算法，当样本图片中存在较多残缺零件干扰时，该算法能够准确识别出目标零件。黄海松等[6]提出了一种基于 Mask R-CNN 的零件识别方法，该方法使用数据集增强技术提高零件识别的准确性。陈绪等[7]提出一种使用迁移学习的深度卷积神经网络模型，用来解决工业环境中零件的识别精度问题。……