设备在连续工作时易造成内部零部件过热损伤,造成部件工作效率下降,严重时还会导致部件无法工作甚至损坏,实现对部件发热状态准确、及时地检测至关重要。近年来搭载视觉系统的巡检机器人解决了人工巡检中存在的人力成本高、工作效率低、检测质量不稳定等问题,然而巡检机器人在对图像进行计算分析时受限于硬件水平,运行目标检测模型时检测速度和精度无法达到要求。为此,本文以YOLO v3算法为研究对象,提出了一种部件目标识别方法;针对部件发热检测问题,提出了一种基于剪枝优化YOLO v3的部件发热状态检测方法,在实现部件发热状态检测的基础上设计了部件发热状态检测系统,使所提方法更具有易用性和可移植性,本文的主要研究成果如下:1.构建了部件红外图像数据集,基于YOLO v3模型实现了对部件分类与定位利用红外热像仪对齿轮箱、电机等部件进行红外图像采集,对图像数据集进行增强并对划分的训练集和测试集进行图像标注。基于K-means聚类算法对部件红外图像计算出合适的锚框,重新计算的锚框加速了模型收敛。搭建了YOLO v3算法训练所需环境,详细设置了模型训练所需初始参数,训练得到了部件目标识别模型,分析了所训练模型的性能,模型的m AP为92.1%,检测速度为31fps,实现了对电机、齿轮箱进行快速、准确识别。2.基于BN层尺度因子对模型进行了剪枝优化训练,提出了剪枝优化模型在实现了对部件目标快速准确识别的基础上,为了减小模型计算量,降低模型运行所需硬件配置,对YOLO v3进行了剪枝优化。基于YOLO v3中卷积层后的BN层,通过L1正则化对其中的尺度因子进行了稀疏化训练,稀疏化训练后数值较小的尺度因子更加趋于0。通过设置不同的剪枝阈值对数值趋于0的尺度因子所对应通道进行剪枝,通过对比实验确定了当剪枝阈值为80%时模型的剪枝效果最好,得到了体积较小的剪枝优化模型,为模型的移植创造了条件。3.基于剪枝优化模型,实现了部件的多角度识别以及部件的发热状态检测通过对齿轮箱和电机工作时的温度、状态进行观察和记录,确定了其发热临界温度,根据发热临界温度将部件状态划分为不同的类别,重新标注了部件红外图像数据集。基于剪枝优化模型训练得到了部件发热状态检测模型,完成了对部件的发热状态准确识别检测。重新采集了部件不同角度、距离下的红外图像数据并进行了数据增强与数据标注,基于剪枝优化模型对多角度数据集进行训练,实现了部件多角度识别。4.设计了部件发热状态检测系统,基于Py Qt5开发了部件发热状态检测软件基于剪枝优化模型设计了部件发热状态检测系统,采用模块化思想将系统分为采集、检测、显示三个模块。基于人机交互界面设计软件Py Qt5开发了部件发热状态检测软件,软件界面简洁直观的显示了部件检测信息,很好满足对部件发热状态检测的需求。系统地开展部件发热状态检测方法的基础理论、模型训练及测试实验的研究,进行检测系统的开发,实现部件发热状态检测,不仅丰富了部件状态检测领域和目标检测工程应用领域的研究,同时对推动智能制造的发展有着重要理论意义与实用价值。