摘要:針對輸送帶場景中羊肉分體需要進一步分類檢測問題,,提出一種基于單階段目標檢測算法的羊肉多分體實時分類檢測方法。在羊屠宰車間環(huán)境下采集包含多類,、多個羊肉分體圖像,,經(jīng)圖像增廣及歸一化后建立羊肉多分體圖像數(shù)據(jù)集,,其中訓練集7200幅,測試集1400幅,,驗證集400幅,。利用單階段目標檢測算法YOLO v3引入遷移學習對羊肉多分體圖像數(shù)據(jù)集展開訓練并獲得最優(yōu)模型,基于最優(yōu)模型返回圖像中各羊肉分體的類別及其位置,,從而實現(xiàn)羊肉分體的分類檢測,。選用平均精度及單幅圖像平均處理時間作為評判模型檢測精度與速度指標。然后通過更換羊肉多分體識別模型的特征提取網(wǎng)絡優(yōu)化檢測速度,。另外設置包含亮,、暗兩種亮度水平的附加光照數(shù)據(jù)集以及代表羊肉分體遮擋情形的附加遮擋數(shù)據(jù)集,分別驗證優(yōu)化后模型的泛化能力與抗干擾能力,,并通過多尺度特征明顯的頸部與腹肋肉測試優(yōu)化后模型的魯棒性,。最后引入Mask R-CNN、Faster R-CNN,、Cascade R-CNN和SSD 4種常用目標檢測算法針對不同數(shù)據(jù)集分別進行對比試驗,,在此基礎上,進一步更換特征提取網(wǎng)絡為MobileNet V1,、ResNet34和ResNet50驗證優(yōu)化后模型的綜合檢測能力,。試驗結(jié)果表明,優(yōu)化后模型的檢測速度較原始模型提升48.53%,,同時對光照,、遮擋復雜環(huán)境下羊肉多分體識別具備較強的泛化能力與抗干擾能力,以及對多尺度特征顯著的羊肉分體檢測具有良好的魯棒性,,針對羊肉多分體圖像驗證集,,優(yōu)化后羊肉多分體識別模型的平均精度達到88.05%,單幅圖像處理時間為64.7ms,,綜合檢測能力優(yōu)于其他算法,,說明該方法具備較高的檢測精度和良好的實時性,能夠滿足實際生產(chǎn)需求,。