薄文嘉，倪受东

（南京工业大学机械与动力工程学院，江苏 南京211800）

1 引言

随着5G技术的兴起以及重点发展集成电路的政策提出，大量的电子元件需要在自动化生产线上被分拣、安装。其中视觉的目标检测算法系统在近几年来取得了飞速的发展，极大地提高了生产工作的效率，是研究的一个重要方向。

由于机器学习和深度学习突飞猛进的发展，目标检测技术研究的重点已经从传统的图像分割、模板匹配方式发展到特征提取结合分类器的方式，再到神经网络的方式［1］。现有的多位姿目标检测主要使用模板匹配的方式，此方式需人工提取目标特征，再制作模板，要耗费大量精力；并且算法受光照、阴影等因素干扰较大，鲁棒性差。

而神经网络的方式由于训练难度较高，计算资源开销较大，使此技术在多位姿检测的应用中受到了限制［2］。在大量算法中，方向梯度直方图（Histogram of Orientation Gradient）与支持向量机（Support Vector Machine，SVM）结合的算法方式因其泛化性能好，鲁棒性较强，训练难度较小，适合小样本而受广泛关注，现被尝试应用于多位姿目标检测中。

训练HOG-SVM分类器需要人工拍摄图像并制作相应的样本，这将投入大量精力。例如著名的PASCAL目标分类数据集，在收集和制作样本时花费了700个h［3］。因此研究出合适的训练样本数量，对于减少算法开发周期具有一定的参考价值。并且在现场使用0°角环形光源，供料器底部加装背光板，减少光照和阴影对目标产生影响的相对理想光照环境下，检测精确率初步要求达到65%以上。……