评估基于CAD的方法以增强工业自动化中的物体检测

随着物体检测模型性能的提高，企业希望将这些系统集成到其生产环境中。然而，这些模型的有效实施在很大程度上依赖于高质量训练数据的可用性。这在工业应用中尤其具有挑战性，因为使用了不包含在常见数据集中的定制化部件。因此，必须创建专业数据集，这通常是不切实际或耗时的。为了解决这个问题，本文研究了三种方法，消除了对真实图像的专业数据集的需求。第一种方法SDGP，通过从目标物体的CAD模型中渲染图像生成合成数据集，并在这些数据上训练YOLOv8模型。第二和第三种方法是零样本物体检测方法。CNOS使用渲染的基于CAD的参考模板来定义类别，而Grounded-SAM-2则使用文本描述。所有方法均在一个在西门子公司自动化生产线中拍摄的真实图像数据集上进行评估，该数据集包含四种物体类型：金属外壳、前面板、绝缘板和PCB。结果表明，SDGP、CNOS和Grounded-SAM-2的最大mAP50-95值分别为0.756、0.697和0.58。尽管绝缘板和PCB仍然面临挑战，但图像预处理、参数调整和提示微调等优化步骤可能会提高性能，使这些方法成为实际可行的替代方案。