《表3 本文算法与其他算法性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习框架的装配机器人零件实时检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

针对多类型零件混杂情况，分别对正常情况下的239张以及复杂生产场景下的261张多类零件混杂图像进行测试。本文算法在复杂生产场景下的多类零件混杂图像检测效果如图10（a）～图10（d）所示，结果表明，在遮挡、背景变化、过曝光等复杂条件下，本文算法均能准确检测多类零件。为了模拟实际应用场景，增加4组多类零件杂乱摆放且有其他零件混杂等杂乱度更高的复杂场景，包括杂乱摆放且混有其他零件、杂乱摆放且待检测零件被干扰零件遮挡、相互重叠且与其他零件杂乱摆放、待检测零件与混杂零件相互重叠，检测效果如图10 （e）～图10（h）所示，表明本文算法也有较高的检测准确率，均能达到91%以上。为了进一步说明本文算法的有效性，采用SUR人工特征算法、SSD300算法、YOLOv3算法、CFE模块算法4种其他算法与本文算法进行对比实验，检测效果如表3所示，传统SUR算法的准确率较低（仅为62.5%），另外一种基于回归的SSD300算法检测准确率为77.8%，单纯的YOLOv3算法与CFE模块算法检测准确率均为81%左右，均低于复杂条件下本文算法91.6%的平均准确率，验证了本文算法的优越性。