典型文献
基于YOLOv4的抓取检测
文献摘要：
对于物品的纹理特征容易影响到抓取检测的精度,且原始的默认锚框不适合待抓取检测目标的尺度,以及在小目标物体检测效果不佳等问题,该文通过以下方法进行改进.首先通过图像处理将物品的原始图像经过处理使其只具有物品的轮廓信息,然后采用K-Means得到适合所检测目标的锚框尺度,以基于YOLOv4的神经网络模型建立改进后的YOLOv4抓取检测模型,最后去除YOLOv4中检测较大物体19×19的特征层检测层及其附近的卷积及池化层,以此降低系统复杂度减少参数,并且将第11层和第109层进行特征融合得到特征尺寸152×152使其能够更好地提取小目标特征.将原始图像和只具有轮廓信息的图像分别送入改进前和多种进行改进后的网络进行检测性能的分别对比.实验结果表明经过改进的网络抓取检测的平均成功率为81.5％,比原始的YOLOv4提高了4.3％,有效提升了抓取检测的精度并且加强了检测小目标的能力.
文献关键词：
抓取检测;YOLOv4;轮廓提取;K-Means;小目标检测
中图分类号：
作者姓名：
周海明;雷志勇
作者机构：
西安工业大学电子信息工程学院,西安710021
文献出处：
引用格式：
[1]周海明;雷志勇-.基于YOLOv4的抓取检测)[J].自动化与仪表,2022(02):59-63,69
A类：
B类：
YOLOv4,抓取检测,纹理特征,默认,锚框,物体检测,检测效果,原始图像,Means,检测模型,后去,检测层,池化,层进,特征融合,特征尺寸,小目标特征,送入,进前,检测性能,明经,轮廓提取,小目标检测
AB值：
0.299382
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
