嵌入SENet结构的改进YOLOV3目标识别算法

为准确识别工业图像中的目标零件,提出一种改进的YOLOV3目标识别算法.结合K-means聚类与粒子群优化算法进行锚框计算,以降低初始点对聚类结果的影响,加快算法收敛速度.同时在YOLOV3网络shortcut层嵌入SENet结构,得到SE-YOLOV3网络.对零件图像进行数据增强并加入零件标注,制作包含10 816张图片的样本集,用于算法训练和测试.实验结果表明,该算法能够获得平均交并比为83.01％的锚框,当样本图像存在较多残缺零件干扰时,YOLOV3存在将背景识别为零件的情况,其查准率与查全率分别为72.11％和97.51％,而SE-YOLOV3能有效减少假正例数量,其查准率与查全率分别为90.39％和93.25％.