针对分拣过程中视觉系统识别复杂物体时速度慢、对环境变化适应性不足的问题，提出一种基于轻量型卷积神经网络的机械臂快速分拣方法。该方法首先使用基于轻量型卷积神经网络的MobileNet-SSD算法对图像中的目标物体进行检测，获取目标类别和位置信息；然后根据检测输出结果对图像进行预处理和边缘检测，最终得到校正后的定位结果。在PROBOT Anno机械臂平台上进行分拣实验，实验结果表明，相比于传统的图像处理方法，提出的方法能对复杂目标物体实现快速的检测和定位，对于目标形态和环境的多样性来说具有更好的鲁棒性。

ssd_mobilenet_v1_coco_11_06_2017

Windows下打包好的可以直接使用的darknet-yolo深度学习程式，仅仅需要自己做数据集就可以训练了，再次建议使用GPU，不过只需要你装好驱动即可。Linux版本若有需要私我吧。

代码包含当前流行的深度学习TCNN代码以及详细的运行说明

darknet训练yolov4

一、代码内容 1、介绍YOLOv2模型 2、提高yolov2代码，100%可用含数据集 3、通过实例介绍YOLOv2模型，讲解以及中文注释通俗易懂 4、MATLAB版本要求至少是2020a版本 5、对应免费观看B站视频链接：https://www.bilibili.com/video/BV1Rq4y1j7De?p=2 ———————————————— 版权声明：本文为CSDN博主「小洋葱.」的原创内容，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

计算机视觉与深度学习 | 目标检测综述（RCNN、RPN、YOLOv1 v2 v3、FPN、Mask RCNN、SSD代码类）-附件资源

本资源是word文档，共9765个字，包括参考文献，按照学报格式撰写，这篇文章综述了近年来基于深度学习的目标检测的最新进展，包括传统目标检测，一阶段目标检测以及两阶段目标检测的分析，还分析了在识别任务中使用的一些突出的骨干网络和目标检测中常用的数据集。比较好的目标检测网络对于具有实时性的目标检测研究更为必要。

深度学习目标检测中需要使用标注工具来制作数据集。rolabelImg可标注旋转矩形，labelImg标注正矩形。

目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初 2013 年提出的 R-CNN、OverFeat，到后面的 Fast/Faster R-CNN、SSD、YOLO 系列，再到 2018 年最近的 Pelee。短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从 two stage 到 one stage，从 bottom-up only 到 Top-Down，从 single scale network 到 feature pyramid network，从面向 PC 端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。