训练分割小工件的高精度模型

您正在查看最新版本（V2.6.0）的文档。如果您想查阅其他版本的文档，可以点击页面右上角“切换版本”按钮进行切换。

■ 如果您不确定当前使用的产品是哪个版本，请随时联系梅卡曼德技术支持。

本文以3D视觉引导曲轴上料为例，介绍在视野范围大、工件尺寸小的场景下，如何通过级联算法模块训练一个高精度的深度学习模型。

训练流程

曲轴自动化上料需要引导机器人从托盘中识别并抓取散乱放置的曲轴，可通过级联模块实现以下三个主要步骤：

需要根据各个模块的识别目标有针对性地进行数据采集及标注，才能训练出更精确的模型。

为了保证数据的全面性和代表性，采集数据时需要包含以下场景：

根据每个算法模块需要识别的目标，筛选各模块需要的训练数据。

目标检测

识别目标：托盘

保证数据多样性，筛选依据包括托盘颜色、托盘位置、托盘层高和环境光照条件。
实例分割

识别目标：曲轴

根据曲轴数量和托盘颜色进行划分。满盘曲轴数量为100个，因此根据曲轴数量（0-20个）：（20-50个）：（50-100个）采集的数据比例大致为1:1:1。同时确保数据中每种颜色的托盘占比均衡。
目标检测

识别目标：曲轴大端

筛选出曲轴以不同角度摆放的数据后，去除重复数据，最终用于训练的数据量为100~300张。

筛选出所需数据后，需要精确标注数据。

至此，已完成了针对曲轴上料场景的数据采集和标注。您可以使用这些数据进行模型训练、验证模型效果并导出模型。