原文传递
面向汽车零件盘点的视觉物体计数
| 论文题名： | 面向汽车零件盘点的视觉物体计数 |
| 关键词： | 汽车零件;数据成本;计数精度;视觉物体计数 |
| 摘要： | 物体计数是计算机视觉中的重要任务，具有广泛的应用。当前流行的视觉物体计数方法多为基于深度学习的方法，大量训练数据标注成本高、计数精度较差。本文针对汽车零件计数问题，采用ArUco（AugmentedRealityUniversityofCordoba）标记降低标注成本，并对现有计数网络LC-FCN（Localization-basedCountinglossFullyConvolutionalNetwork）引入了尺度信息，提升了其精度。具体工作如下： 设计了一种利用ArUco对大量视频数据的标注生成方法。与现有的半自动标注方法相比，本方法所需的人工干预程度更低，可在短时间内生成大量的标注；与常规的数据增强、三维虚拟生成、对抗神经网络生成等虚拟生成方法相比，本方法使用实际图像，能够更准确地反映现实场景中的光照条件、物体外观等。最后，采集了12类汽车零件近7万张图像数据，利用该标注方法进行了标注，制作了汽车零件数据集。 针对现有计数网络LC-FCN计数精度不足的问题，通过分析网络训练时热图演变的过程，发现了传统方法对物体尺寸无法自适应的问题。并基于引入尺度信息的思路，提出了两种引入尺度信息的方法：感受野匹配、将点标注转化为自适应的区域标注。 在汽车零件数据集对两种引入尺度信息的改进网络进行对实验比较，采用了鲁棒性更高的自适应区域标注方法作为改进方法。最后，将改进后的LC-FCN与其他五种算法进行了横向比较。在12类汽车零件数据集中，改进后的LC-FCN对其中9类零件的计数精度达到最高。 |
| 作者： | 梁鸿泽 |
| 专业： | 机械工程 |
| 导师： | 管贻生 |
| 授予学位： | 硕士 |
| 授予学位单位： | 广东工业大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
