随着深度学习的快速发展,基于深度学习的目标检测方法逐渐取代传统的目标检测方法,并取得了巨大的进步。虽然许多基于深度学习的目标检测方法在各类公开数据集上都取得了优异的表现,但是将这些方法直接用于特定任务时(以模具编码识别任务为例),存在任务数据集不足、检测模型未针对特定任务进行超参数调优准确率不足等问题。此外,基于深度学习的目标检测网络结构复杂,人工进行网络超参数调优需要具备大量的专家经验,同时需要大量的计算资源进行网络的训练和验证。针对任务数据集不足的问题,本文提出了基于Mask RCNN的模具编码识别方法,针对模具编码识别数据集进行锚框设计优化,并采用预训练的方式提高模型的性能。针对网络超参数调优复杂的问题,本文提出了基于可微分神经网络架构搜索(Differentiable Architecture Search,DARTs)的Mask RCNN超参数优化方法。该方法首先定义网络细胞结构,然后用DARTs技术训练网络细胞结构,最后用训练后的网络细胞堆叠重构Mask RCNN网络中的分类回归分支,实现对特定任务的Mask RCNN目标检测网络的优化。在我们构造的模具编码识别数据集上对本文方法进行了实验,在Io U=0.5下,本文方法平均准确率比传统的Mask RCNN目标检测方法高出1.96%;在Io U=0.75下,本文方法平均准确率比传统的Mask RCNN目标检测方法高出4.83%。在Io U=0.5和Io U=0.75下,本文方法整体字符准确率比传统的Mask RCNN目标检测方法高出7.58%。同时本文方法可在2GPU Days下收敛,计算复杂度不高。论文的主要贡献如下:(1)制作了一个包含7065张图像的模具编码识别数据集并对数据集进行了分析介绍。所制作的数据集可以在https://www.kaggle.com/hewaele/dataset-of-moldid下载使用。(2)提出了基于Mask RCNN的模具编码识别方法。针对模具编码识别任务,对Mask RCNN中的锚框设计进行优化,并采用预训练策略提升了模型的性能。(3)提出了基于DARTs优化Mask RCNN网络的方法。通过使用DARTs对Mask RCNN中的分类回归分支进行重建实现模型的优化,并以模具编码识别数据集为例,通过多个实验验证本文提出方法的有效性。