苏维成 梁宏斌 冯 广

(辽宁科技大学，辽宁 鞍山 114000)

工件识别技术在工业制造领域中有着重要的作用，尤其是将工件识别技术应用于工业机器人中。可以让工业机器人进行更加快速准确地分拣目标工件[1]。就现阶段而言，基于深度学习的工件检测识别算法有两大类。即单阶段算法和二阶段算法。其中二阶段算法表示为检测算法分两步完成，第一步需要获取候选区域，第二步才进行分类，例如R-CNN[2]、Faster R-CNN[3];其优点在于检测更加准确。另一类算法是单阶段算法，这类方法采用了端到端的检测。顾名思义，不再需要单独寻找候选区域，将分类和预测合并为一步，典型的算法有YOLO(you only look once)[4-6]系列算法和SSD(single shot multibox detector)[7]系列算法等，可以有效地提升检测速度和泛化能力。

Tiny-YOLOv3是在YOLO系列算法中YOLOv3的基础上去掉一些特征层，这样模型的网络结构相对简单，但输入图像由于无法充分提取，这将导致损失信息过多，尤其是对小工件的检测中存在着漏检率过高的问题[8]。为了改善上述问题，文中对Tiny-YOLOv3模型算法进行了一系列的改进，从而提升了模型对工件识别检测方面的性能。

1 Tiny-YOLOv3算法

1.1 Tiny-YOLOv3算法原理

Tiny-YOLOv3算法网络结构的卷积层数大幅减少，并且没有使用全连接层和残差层[9]结构，主干网络上只有卷积层和最大池化层，因此模型的结构和参数量就相对较少。

Tiny-YOLOv3算法网络主要由13个CBL层和6个池化层构成,其中CBL层主要由卷积层、批量标准化操作(batch normalization,BN)和激活层(LeakyReLU)3部分构成[10]，而池化层采用最大池化的方式，用卷积核为2×2,步长也为2的卷积层，其中需要注意的是在512层与1 024层之间的最大池化的步长为1.而不是2。……