关键词：机械臂;目标检测;YOLOv5;注意力;损失函数
摘 要：针对现有的目标检测算法部署在机械臂上会占用大量系统资源、检测实时性差、模型参数量大等问题，提出一种改进YOLOv5的目标检测算法。首先，在YOLOv5骨干网络融入ShfflenetV2模块代替原本的焦点模块和跨级局部暗格网络，实现网络的轻量化；其次，主干网络末端颈部将带有残差精化的上下文转换器注意力(context-transformer with residual refinement, CTR3)模块嵌入到所设计的骨干网络中，来改善模型的特征提取潜力并减小采样带来的损失；再次，头部采用基于一致性的自适应信息传递注意力(similarity-based adaptive message passing attention, SimAM)模块来增强特征的跨尺度融合能力；最后，为提高检测算法对目标的边界框回归速率和样本稳固性，引入新型加权交并比(weighted intersection over union, WIoU)函数，在目标检测网络设计完成后，将其部署在机械臂上并完成验证。实验结果表明：文中改进的检测算法准确率为96.5%;检测速度为每秒82帧，相比原算法提高32帧；参数量为430×10～4,相比原算法减少了39%;每秒浮点数计算次数为6.7次，约为原计算次数的1/3。数据表明改进后的检测算法检测速度快、参数量少、占用内存小，满足精准检测的前提下提高了检测效率。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取