中文摘要: 随着智能化生产的普及，机械零件的智能装配技术受到广泛关注，为了改善传统特征提取算法中检测误差大、精度低等问题，本文以常见机械零件为研究目标，结合深度学习算法中的轻量级网络为基础模型进行优化，使用YOLOv4-Tiny中的CSP-Darknet53 Tiny作为特征提取网络，在特征提取网络后添加改进后的MA-RFB模块，引入多分支卷积和空洞卷积加强感受野。并对颈部网络进行改进，选择PANet代替FPN，并添加注意力模块CBAM，形成CM-PANet对零件目标进行多尺度检测，在自制的零件数据集AP达到96.47%，检测速度达到0.00138s每样本。相比于原版YOLOv4-Tiny网络AP提高了2.80%，改进后的算法在速度和精度达到了一个平衡，体现了研究的理论和应用价值。