基于改进YOLACT的堆垛图像快速分割方法研究

来源：计算机测量与控制杂志2023年第12期北京时间：

作者：苏铁明,李鹏博,徐志祥,梁琛,王宣平,刘玮

单位：大连理工大学机械工程学院

摘要：针对堆叠密集的堆垛货箱出现的漏检情况以及难以分割出每个货箱的精确边缘而造成的难以准确抓取的问题,对深度学习实例分割算法YOLACT进行了相应的改进。首先使用工业相机采集货箱的堆垛图像,然后利用Labelme标注图像制作数据集,并且通过数据增强方法扩充数据集。接着为了提高模型的分割准确率,分别对掩码真值和YOLACT中的原型掩码输出分支(Protonet)的预测掩码使用Canny边缘检测算子,并取二者的二值交叉熵损失作为损失函数加入到原网络中训练。最后再使用训练好的最优模型对测试集图像数据进行试验,结果表明,改进后的模型预测掩码mAP0.5:0.95可以达到0.543,比原模型提高2.2%,同时货箱边缘的分割精度也得到了一定的提升,模型推理速度可达10.2帧/秒,可以满足精度要求和生产节拍要求。

关键词：堆垛;边缘检测;YOLACT;Canny;损失函数