本篇博客记录了一个深度学习在工业领域的应用项目。功能是检测视野范围内的零件总数,如果数量少于设定的标准数量,则报警,如果放置了不同型号的零件,同样需要报警。常规方法是用传统的图像处理的模板匹配,但使用halcon和opencv的模板匹配效果都不好,于是尝试用深度学习目标检测。
效果如下图所示:识别率超过99%(可以获取到目标的个数,类别,概率,矩形框位置,可以适应一定的光照、角度、大小变化)
目录:
1.安装darknet yolov3环境
2.采集并制作数据集,用yolov3训练
3.在opencv3.4版本使用训练好的模型、
4.在vs里编写软件
正文:
1.yolov3环境搭建参考另一篇博客https://blog.csdn.net/sinat_41852207/article/details/90906309
我的编译环境是yolov3 win10 cuda8.0 vs2017
2.采集并制作数据集,用yolov3训练
2.1 如何制作数据集和一些工程经验
参考:数据集构造流程https://blog.csdn.net/u011574296/article/details/78953681
文件夹存放的是xml格式的标签文件,每个xml文件都对应于JPEGImages文件夹的一张图片,同名