虚交所-虚拟资产交易平台  

加关注9

　　摘要：针对人机协同装配环境复杂多变且装配零件尺度差异大、部分零件相似度高的特征，为保证人机协作装配过程中机器人准确抓取装配零件，提出了一种改进的YOLOv7模型来提高装配场景中多零件目标检测效果。首先，采用ODConv（Omni-Dimensional Dynamic Convolution）替换YOLOv7主干网络中的卷积层，使其能够自适应调整卷积核的权值，提取不同形状、大小的装配零件的特征。其次，在YOLOv7主干网络中引入SimAM（Selective Image Attention Mechanism）模块来减轻复杂多变的装配环境背景对零件检测准确率的影响。最后，使用Efficient-IOU替换原始的Complete-IOU来加速收敛，同时降低部分装配零件相似度高对检测准确率的影响。实验结果表明，该模型的平均准确率为93.4%，改进后的网络优于原始网络和其他目标检测算法。所提出的改进YOLOv7算法在保持高精度的同时具有较高的FPS，模型参数和计算量也相对较低，适合动态人机协同装配场景下实时目标检测要求。

　　文章目录

　　1    引言

　　2    YOLOv7算法模型

　　3    改进的YOLOv7模型

　　3.1    全维动态卷积

　　3.2    SimAM模块

　　3.3    Efficient-IOU 损失函数

　　4    消融实验与结果分析

　　4.1    实验环境

　　4.2    数据集构建

　　4.3    实验指标

　　4.4    实验分析

　　5    结论