Creating image dataset for object detection is a time-consuming and laborious work, seriously hindering the rapid application of object detection in the industrial manufacturing field. To reduce time and cost of object detection application, a method of image dataset creation and networks improvement based on CAD model and edge extraction operators is proposed. It can quickly generate effective training dataset without any tedious work and make the object detection networks obtain good detection performance. The method consists of three steps: capture-images-automatically, cut-and-paste and networks-improvement. To improve the performance of the detection networks, edge extraction operators are used to obtain the common features of the synthetic images and the real images. These edge extraction operators include Sobel edge, Laplacian edge, Canny edge and adaptive threshold edge, and the experimental results show that the adaptive threshold edge achieves the best effect. In addition, a class-weights is adopted to improve the AP of hard-to-detect parts. Ten mechanical parts of a 3D-printed aero-engine are used to evaluate this method. The results show that the improved networks (yolov5s) trained with the synthetic images can achieve 99.08%, 93.83% and 98.91% of the average recall, average precision and mAP, respectively. Taking into account the time, cost and detection performance, the proposed method is much better than the traditional method and current advanced method. The proposed method is feasible for object detection in many industrial scenarios where CAD models of products can be easily obtained.

创建用于物体检测的图像数据集是一项费时费力的工作，严重阻碍了物体检测在工业制造领域的快速应用。为了减少目标检测应用的时间和成本，提出了一种基于CAD模型和边缘提取算子的图像数据集创建和网络改进方法。它可以在没有任何繁琐工作的情况下快速生成有效的训练数据集，并使目标检测网络获得良好的检测性能。该方法包括三个步骤：自动捕获图像、剪切和粘贴和网络改进。为了提高检测网络的性能，边缘提取算子被用来获取合成图像和真实图像的共同特征。这些边缘提取算子包括 Sobel 边缘、Laplacian 边缘、Canny边缘和自适应阈值边缘，实验结果表明自适应阈值边缘达到了最佳效果。此外，还采用了类权重来提高难检测部分的 AP。使用 3D 打印航空发动机的十个机械部件来评估这种方法。结果表明，使用合成图像训练的改进网络（yolov5s）分别可以达到平均召回率、平均准确率和 mAP 的 99.08%、93.83% 和 98.91%。综合考虑时间、成本和检测性能，所提出的方法大大优于传统方法和当前先进方法。所提出的方法适用于许多工业场景中的物体检测，这些场景可以轻松获得产品的 CAD 模型。实验结果表明自适应阈值边缘达到了最佳效果。此外，还采用了类权重来提高难检测部分的 AP。使用 3D 打印航空发动机的十个机械部件来评估这种方法。结果表明，使用合成图像训练的改进网络（yolov5s）分别可以达到平均召回率、平均准确率和 mAP 的 99.08%、93.83% 和 98.91%。综合考虑时间、成本和检测性能，所提出的方法大大优于传统方法和当前先进方法。所提出的方法适用于许多工业场景中的物体检测，这些场景可以轻松获得产品的 CAD 模型。实验结果表明自适应阈值边缘达到了最佳效果。此外，还采用了类权重来提高难检测部分的 AP。使用 3D 打印航空发动机的十个机械部件来评估这种方法。结果表明，使用合成图像训练的改进网络（yolov5s）分别可以达到平均召回率、平均准确率和 mAP 的 99.08%、93.83% 和 98.91%。综合考虑时间、成本和检测性能，所提出的方法大大优于传统方法和当前先进方法。所提出的方法适用于许多工业场景中的物体检测，这些场景可以轻松获得产品的 CAD 模型。采用类权重来提高难检测部分的 AP。使用 3D 打印航空发动机的十个机械部件来评估这种方法。结果表明，使用合成图像训练的改进网络（yolov5s）分别可以达到平均召回率、平均准确率和 mAP 的 99.08%、93.83% 和 98.91%。综合考虑时间、成本和检测性能，所提出的方法大大优于传统方法和当前先进方法。所提出的方法适用于许多工业场景中的物体检测，这些场景可以轻松获得产品的 CAD 模型。采用类权重来提高难检测部分的 AP。使用 3D 打印航空发动机的十个机械部件来评估这种方法。结果表明，使用合成图像训练的改进网络（yolov5s）分别可以达到平均召回率、平均准确率和 mAP 的 99.08%、93.83% 和 98.91%。综合考虑时间、成本和检测性能，所提出的方法大大优于传统方法和当前先进方法。所提出的方法适用于许多工业场景中的物体检测，这些场景可以轻松获得产品的 CAD 模型。平均召回率、平均准确率和 mAP 分别为 91%。综合考虑时间、成本和检测性能，所提出的方法大大优于传统方法和当前先进方法。所提出的方法适用于许多工业场景中的物体检测，这些场景可以轻松获得产品的 CAD 模型。平均召回率、平均准确率和 mAP 分别为 91%。综合考虑时间、成本和检测性能，所提出的方法大大优于传统方法和当前先进方法。所提出的方法适用于许多工业场景中的物体检测，这些场景可以轻松获得产品的 CAD 模型。