基于MobileNetV2-SSD的烧结台车车轮检测

01研究背景烧结台车是烧结机主要运行部件，通常由在轨道上首尾相接的烧结小车组成，每台烧结小车包括数十至上百套台车车厢和车轮系统，通过这些车轮系统在轨道上顺利运行，进而确保整个烧结台车的运行。在生产中，烧结台车由于载重较大，并且需要长时间运行，车轮系统很容易出现故障，为保证安全生产，经常需要对烧结台车车轮加注润滑脂进行润滑，国内多年来针对烧结台车车轮的加油润滑方法一直是采用烧结机停机状态下通过人工进行加油润脂，这种方法由于停机时间有限，车轮无法得到有效润滑，同时停机状态会影响到烧结机的作业率，并且人工操作存在一定的安全问题。通过机器视觉实时检测出烧结台车车轮的位置，辅助加油枪出枪，完成自动加油，无需停机，成本较低，并且大大提高了烧结机的作业效率。目标检测是进行场景内容理解等高级视觉任务的前提，目前已应用于智能视频监控、基于内容的图像检索、机器人导航和增强实现等任务中。传统的目标检测方法主要使用方向梯度直方图、尺度不变特征变换等图像特征对滑动窗口进行判别，由于滑动窗口需要大量的计算开销，从而无法满足应用场景的实时检测需求，因此，基于候选框的目标检测算法开始得到广泛应用，同时随着深度卷积网络在计算机视觉领域的突破性发展，其主要通过权值共享策略将网络的层次不断加深，从而使网络具有更强的解析能力，同时由于智能硬件的算力不断提高，对于复杂网络的计算速率越来越快，目前的主流检测网络在足够算力的硬件条件下完全能达到工业检测的实时标准。02研究方法研究对象为烧结台车车轮，试验数据为烧结现场采集的烧结台车图像数据。考虑到烧结厂房24h不间断工作，白天夜晚光照强度不一致，且现场环境比较恶劣，热气、沙尘都会对烧结台车的成像产生影响，因此，在不同光照强度下以不同的角度对烧结台车车轮进行图像采集，得到了不同尺寸的车轮图像，同时通过图像增强对数据集进行进一步扩充，生成不同噪声的烧结台车车轮图像，并以扩充后的数据集进行模型训练，增强模型的泛化性能，处理后的数据如图1所示。图1不同光照强度不同环境下不同尺寸的烧结台车车轮针对烧结台车车轮的检测方案主要以SSD网络为检测框架主体，其中backbone部分用轻量化的网络MobileNetV2替代传统的VGG或ResNet网络，该检测网络的整体结构图如图2所示。图2

MobileNetV2-SSD目标检测网络结构图该检测网络的特征提取部分采用MobileNetV2的主体架构，去除了最后的平均池化层和卷积层，并用第五个Bottleneck和平均池化层前的卷积层生成两个FeatureMap，大小为14x14x96、10x10x1280，额外的特征提取层分为四个模块，每个模块的结构与MobileNetV2的Bottleneck结构类似，同样采用了倒残差结构，这四个块每个都生成一个FeatureMap，大小分别为5x5x512，5x5x256，3x3x256，1x1x256，加上主干网络，该检测网络共生成6个尺寸不同的FeatureMap，形成多尺度特征图，并在特征图的每个位置上生成了不同尺度和长宽比的Priorbox（先验框）并直接进行检测，最后通过非极大抑制筛选出最精确的检测框。采用的检测网络整体架构为SSD，该网络不需要额外生成候选框区域，直接由卷积层生成特征图进行检测，因此检测速度远远快于Faster-RCNN等检测网络，同时该网络可生成多尺度特征图以及设定不同长宽比的先验框，使得该网络针对不同尺寸的目标都有很好的检测效果；另外该网络的主干部分为轻量级网络MobileNetV2，因此相比较其他的SSD检测网络，该网络的检测速度有了进一步的提高，更适合在移动端或嵌入式设备上使用。03研究结果提出的轻量型目标检测网络MobileNetV2-SSD应用到工业现场，得到不同光照条件、不同工作环境下的烧结台车车轮检测效果图如图3所示。图3

不同生产环境下不同尺寸的烧结台车车轮检测效果为了检验模型在不同硬件下的检测能力，分别在不同算力的GPU、CPU以及一些移动端、嵌入式设备上对模型的检测速率进行了测试，测试结果见表1。表1

MobileNetV2-SSD检测模型在不同硬件下的检测效果为了验证烧结台车车轮检测模型MobileNetV2-SSD的优越性，将数据集放在不同的目标检测网络上进行测试，其中包括Faster-RCNN、VGG16-SSD、MobileNetV2-Yolov3以及Tiny-YOLOV4等，测试结果如图4所示。（a）准确率

（b）召回率（c）平均类别准确率

（d）检测速率图4不同检测模型的检测效果对比04研究结论提出的目标检测模型MobileNetV2-SSD，主干网络采用了轻量型的MobileNetV2，大大减少了网络参数，使其可以搭载在移动端或嵌入式设备上运行，以应对烧结现场复杂的工作环境；整体检测架构采用了基于多尺度特征图的SSD检测，针对不同尺寸大小的目标均有非常好的检测效果。同时模型在数据集上的准确率、召回率以及mAP上都达到了90%以上，具有非常高的检测精度。在检测速率方面，GPU上整体表现为40fps以上，CPU上的检测速度在30~40fps之间，在移动端和嵌入式设备上也可以做到3~6次/s以上的检测，基本满足了工业实时检测的标