杨晨，张秀芬

(内蒙古工业大学机械工程学院，内蒙古呼和浩特 010051)

0 前言

自动或半自动化拆卸可以提升拆卸效率，实现精细化拆卸，提高资源利用率，对于实现碳达峰和碳中和具有重要意义，在家电、智能手机、锂电池等领域已受到广泛关注[1-3]。但是，由于退役产品结构、种类等不确定导致拆卸目标的智能化检测难、效果差等问题，仍然是自动化拆卸的瓶颈之一。

连接件是机电产品中不可缺少的组成部分，已有较多研究成果对它进行检测，主要方法包括模板匹配法、神经网络检测等。例如，魏信[4]通过使用微软的Kinect传感器获得典型零部件的彩色图和深度图，对图像进行模板匹配以及深度处理实现零部件的检测和定位，并以多个螺母为例进行了效果测试。杨桂华等[5]采用BLOB(Binary Large Object)分析与神经网络分类器相结合的方法，实现多目标工件的检测和定位以及在流水线上定位和分类多种零部件。曾鹏[6]通过模板匹配实现了平面内工件的检测，并通过遍历检测到工件区域的像素，计算其形心进行定位。但是，上述方法均需要将待检测的零部件放置在简单的背景下，在实际的拆卸环境中，零件往往存在于复杂的背景下，工件检测和定位会受到其他零部件以及壳体的划痕、图案等影响。

为有效避免复杂背景对目标检测造成的干扰，秦开仲[7]融合了YOLOv3模型、Hough变换以及遗传算法，实现了电子产品的分类、螺钉粗检测以及二次检测的任务，并调整了模型使它以圆形为边界回归。……