基于生成对抗网络的模糊工件角度检测

为提升复杂的工业生产环境中模糊工件图像的角度检测精度,对工件图像进行有效的去模糊操作,提出基于生成对抗网络的去模糊方法,该方法通过生成网络与判别网络间的对抗性训练,最小化去模糊图像与清晰图像间的距离。为避免直线错检、断线等问题,基于直线检测算法提出改进的直线检测算法。通过对比实验与数据分析发现,所提方法比多尺度卷积神经网络去模糊方法提升了约13%的检测精度。     

基于深度神经网络的车辆检测系统

近年来,深度卷积神经网络取得的突破性进展极大地提高了计算机视觉算法能力,基于卷积神经网络的算法已成为目标检测领域的主要研究方向。但由于其庞大的计算量和存储空间需求,该算法在车载平台车辆检测领域的应用受到限制。本文对深度卷积神经网络在车辆检测领域的应用进行研究,在算法架构层面,以构建高速高准确率的车辆检测模型为目标,搭建并训练了适合嵌入式端的轻量级车辆检测模型,并对算法进行了优化。模型测试结果显示,本文搭建的车辆检测算法在保持较高检测精度的情况下,大幅降低了检测模型计算量和存储需求。     

基于三级级联架构的接触网定位管开口销缺陷检测

针对高铁接触网定位管开口销在列车长期运行振动中容易松脱并且松脱样本数量匮乏的问题,本文提出一种基于深度卷积生成对抗网络(DCGAN),扩充缺陷样本集后,再训练卷积神经网络(CNN)检测开口销缺陷的三级级联架构。该架构首先采用中心点法提取训练需要的相同规格开口销图像。然后通过改进的DCGAN生成模拟缺陷样本,并搭建轻量级CNN网络对生成的模拟缺陷样本进行筛选。最后将添加了模拟缺陷样本的扩充缺陷样本集与正样本集输入优化后的VGG16卷积神经网络中,以训练分类模型,检测开口销缺陷。实验结果表明,本文所提方法检测接触网定位管开口销缺陷的准确率高达99%。     

结合深度学习的智能看护机器人目标检测研究

针对智能看护机器人在实际生活中对目标的检测速度慢和精度低的问题,提出了一种采用轻量型卷积神经网络模型对目标进行检测的算法.首先利用MobileNets基础网络对采集到的图像信息进行特征提取,然后利用多尺度特征图检测不同尺度的目标,同时引入抑制类别样本不均衡的焦点损失函数使模型更加侧重于对困难样本的训练.实验结果表明,改进后的网络模型计算量大幅减少,检测速度提高了7倍,对不同光照条件和复杂的背景环境具有鲁棒性,能够满足对目标的检测要求.     

基于自组织神经网络的发动机在线品质检测方法研究

在分析自组织神经网络的拓扑结构和学习算法的基础上,提出了将SOM自组织神经网络应用于发动机装配在线品质检测的方法,建立了输入层为6个神经元、输出层为36个神经元的发动机装配品质在线检测SOM模型,确立了用典型的品质样本进行训练并根据输出神经元在输出层的位置对发动机的装配品质进行判断的策略.实例分析证明,该方法可以有效地对发动机的装配品质进行检测.     

工件装配基准端的形状识别研究

为了有效识别工件的装配基准端,根据工件两端不同的形状特征,提出了一种基于改进的Hu不变矩和LM-BP神经网络的工件装配基准端识别方法。该方法针对Hu不变矩在离散图像缩放运算上存在较大误差的问题,采用改进的Hu不变矩提取工件两端的形状特征值;用提取的特征值训练LM(Levenberg-Marquardt)算法优化的BP神经网络(即LM-BP神经网络),实现工件两端的形状识别,判断装配基准端。实验结果表明,改进的Hu不变矩能保证特征值在图像缩放情况下的不变性,改进的Hu不变矩与LM-BP神经网络结合的识别算法对工件两端形状具有很好的识别能力。     

基于SSD算法的输电线路上绝缘子缺陷检测方法研究

为了检测传输线图像中的绝缘体缺陷,采用SSD(Single Shot MultiBox Detector)卷积神经网络方法检测图像目标。首先,扩展了数据集,采用裁剪和旋转等预处理,提高了网络检测的泛化能力,实现了图像的标注。其次,以ResNet网络替代SSD结构中原有的VGGNet,从而使网络的特征提取能力增强。最后,通过卷积神经网络检测出的绝缘子位置和绝缘子缺陷位置进行重叠面积计算,确定绝缘子缺陷位置。该方法在Caffe深度学习框架下实现了数据预处理,网络模型训练和目标检测的功能,并且实现了对当前自制数据高检测精度和高置信度。     

基于DSSD模型的机械加工件表面缺陷检测研究

针对机械加工件表面缺陷检测问题,对工件表面缺陷种类、缺陷位置进行了研究,对深度学习中的目标检测算法进行了归纳分析,提出了一种基于DSSD模型的机械加工件表面缺陷检测方法。该方法首先利用扫描电子显微镜获取了不同工件、不同位置的表面缺陷图像,建立了工件表面缺陷数据集,并对数据集进行了扩充;然后将DSSD网络模型反卷积模块的网络层数进行了简化,从而降低了计算复杂度;最后利用简化后的DSSD模型完成了对数据集的训练和测试。研究结果表明:DSSD模型的检测效率高于YOLO、Faster R-CNN和SSD这3种模型,能够更准确、快速地检测工件表面缺陷,为实际工业场景下的缺陷检测提供了新的思路。     

基于全卷积神经网络的工件表面检测的研究

近年来,深度学习的快速发展引起了机器视觉在工业领域的兴起,相较于传统物理测量检测方法,基于深度神经网络的检测算法有高效率、无损耗的特点。为快速检测流水线上工件产品表面形貌的优劣,本文提出了一种基于全卷积神经网络的检测方法,实现了工件表面优劣的实时检测算法,能端对端的输出检测结果。相较于传统人工检测提升了检测效率及准确率,实验数据表明,利用全卷积神经网络所设计的检测算法,识别精度高达98%,识别速率相较于人工提升了5倍,有较强的实际意义。     

基于YOLO网络的数据采集与标注

随着数据量爆炸性的增长与机器性能的不断提高,基于卷积神经网络的目标检测技术愈发火热。YOLO(You Only Look Once)是基于回归的卷积神经网络的目标检测方法,其被得到广泛使用。对于个人使用YOLO网络训练模型而言,若想达到目标检测的目的,就必须拥有大量有效的数据,因此数据的采集与预处理也就变得尤为重要。首先介绍卷积神经网络的构造与原理,再延伸至YOLO网络的特点分析,以课题组项目中扫地机器人识别物为例子,介绍如何为自己的YOLO网络进行数据采集与标注,最后进行总结与展望。