qq_40330851的博客

内容概要：本文针对机器人自动化装配中卡扣检测与定位难题，提出一种基于多尺度特征与自注意力机制的目标检测算法SMR-Net，并配套设计了一种新型接触式传感器。该传感器通过凝胶基底与镀银涂层实现对卡扣表面三维形貌的高精度复刻，克服了传统视觉方法在透明或低对比度卡扣检测中的局限。SMR-Net在Faster R-CNN基础上进行改进，引入基于CABM的自注意力特征提取网络（SAFE-Net），结合空洞卷积与标准卷积的多尺度特征融合模块（MSFF-Net），并通过重加权网络（Rw-Net）实现多尺度特征的自适应加权融合，显著提升了对微小卡扣和复杂纹理的检测与定位精度。实验结果表明，该方法在A型和B型卡扣数据集上的IoU分别达到91.78%和92.12%，mAP达99.3%和99.4%，安装成功率高达98%，显著优于YOLOv8、Fast R-CNN和Faster R-CNN等主流算法。消融实验进一步验证了各模块对性能提升的有效性。; 适合人群：从事机器人感知、智能制造、计算机视觉与目标检测研究的科研人员及工程技术人员，具备深度学习与图像处理基础知识者；; 使用场景及目标：①应用于工业机器人高精度卡扣自动装配系统中的视觉检测环节；②为复杂环境下小目标、低对比度目标的鲁棒检测提供算法设计参考；③推动触觉-视觉融合传感技术在智能装配中的发展； 阅读建议：建议结合硬件设计原理与算法架构图进行系统性理解，重点关注注意力机制、多尺度融合与自适应加权策略的协同作用，可通过复现消融实验深入掌握各模块对性能的贡献度。