基于机器视觉与Faster-RCNN的Delta机器人工件识别检测

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明：改进后的识别平均精确度比原有识别系统有所提高,反应时间缩短,并且能识别不同类型的工件。     

基于卷积神经网络多特征融合的工件识别与检测

针对工业自动化场景中工件识别与检测精度不够高、特征提取困难、多工件定位困难等问题,提出一种基于卷积神经网络多特征融合的工件检测算法。工件检测算法是在一种单次目标检测器算法基础上,新增了特征融合结构,将图像深层信息与浅层信息融合而得以改进,由基础网络、自定义网络、特征融合结构和检测网络四部分构成。实验测试表明,对于200个不同工件组成的图像数据集检测的平均精度达99.2%,优于改进前的96.3%,单张图片检测时间为0.026s,基本符合工业自动化场景中的实时性要求。     

基于深度学习的子弹缺陷检测方法

针对子弹的表面缺陷检测使用常规的图像处理效果并不理想,文章提出使用改进的卷积神经网络和Faster RCNN网络相结合的方法,首先采集子弹不同类型的缺陷图像作为数据集,然后使用改进后的VGG16和ResNet50两种卷积神经网络分别处理数据集图像,再经过RPN网络和Fast RCNN网络的训练,对图像进行分类与缺陷特征提取,获取比较准确的缺陷区域的框图。实验结果表明,使用改进后的卷积神经网络与Faster RCNN网络相结合的方法可以提高子弹缺陷检测的准确率、召回率和m AP,准确率、召回率和m AP均可达到90%。     

基于卷积神经网络和小波包的微型振动马达的故障检测

针对手机振动马达检测量大、检测困难等问题,引入卷积神经网络对故障马达波形图进行分类检测。用采集卡采集马达转动时的原始电压信号,对电压信号进行两层小波包分解并重构低频信号,截取原始信号减去重构信号的波形图片进行预处理作为数据集。再用TensorFlow框架训练数据模型,对振动马达电刷不良、波形异常、波形跌落、磁场不良、良品5种类型进行分类,用改进的卷积网络模型测试集准确率达到了98.76%。因此基于改进的卷积神经网络有更好的诊断效果,且对提高故障诊断准确率有一定的作用。     

基于工件纹理和卷积神经网络的刀具磨损检测

文章在现有刀具磨损检测算法的研究基础上,针对铣削刀具磨损检测提出了一种基于卷积神经网络的刀具磨损检测算法。对原始的AlexNet卷积神经网络参数以及训练算法进行了优化,同时搭建了实验平台,进行了机床切削实验并采集了大量的工件纹理图片,使用这些图片样本对所改进的方法进行验证并与其他算法进行了对比研究。结果表明,改进后的AlexNet卷积神经网络算法能够更好地对刀具磨损程度进行判断。     

基于卷积记忆神经网络的数字表盘读数识别

针对巡检机器人在执行例检任务时,对数字表盘读数识别精确度低的问题,提出一种基于卷积记忆神经网络的数字表盘抄表算法。对高清摄像机获取的目标图像信息,经过图像轮廓提取算法定位到表盘字符区域,结合卷积神经网络(CNN)和长短期记忆网络(LSTM)模型的特点,提出了卷积记忆神经网络模型(CLSTM),与传统字符识别算法CNN和LSTM相比,此模型既不需要做字符分割,又能够优化特征提取。实验以电表进行测试,结果表明,相比于CNN和LSTM,此模型准确率更高。     

基于改进的YOLO v3的工件识别方法研究

针对传统识别方法受工件的摆放角度、位置影响较大,鲁棒性差的问题,提出了一种基于改进的YOLO v3的工件识别方法。首先,采用深度可分离卷积网络对Darknet网络进行结构改进,减少了计算复杂度,提高了检测速率;其次通过K-means聚类方法对数据集参数进行聚类,得到了更适合工件识别的预测框,确定了预测框的参数;然后运用了图像增强的方法对采集的图像集进行处理,扩充了训练样本;最后在训练迭代后,采用多种评价指标联合评价的方法,将所设计的算法与多种检测算法进行对比。实验结果表明,基于改进的YOLO v3的工件识别方法在测试集的准确率达96.5%,召回率达93.4%,识别速率达63fps,更能满足工业生产中工件识别的需求。     

基于卷积神经网络与虚拟训练集的零件识别

针对工业环境中零件识别效率低,准确率不高以及难以获取大量训练集的问题,对基于深度学习的零件识别进行了研究,提出一种基于卷积神经网络与虚拟训练集的零件识别方法。首先,通过OpenSceneGraph(OSG)在虚拟场景内渲染大量深度图像训练集;然后,构建了两种不同深度与结构的卷积神经网络模型并使用虚拟深度图像进行训练;最后,使用深度相机采集零件真实深度图像对网络模型进行测试并选择适合的零件分类模型。结果表明,该方法使用虚拟训练集训练,实现了对真实零件的精准识别,使用深度图像对于零件反光和少纹理情况具有一定的鲁棒性,为工业自动化分拣装配提供稳定的信息基础。     

基于卷积神经网络的工件表面缺陷检测方法

为了提高工件表面缺陷检测的准确率,基于卷积神经网络的原理和工件表面缺陷检测的应用背景,对分割网络模型进行了改进。改进的分割网络模型中优化分割模块中的卷积层和卷积核大小,下采样时使用最大池化代替大步长的卷积。决策模块中通过改变卷积层和池化层得到更多的输出神经元,获得了更多的工件特征。实验验证表明,改进的分割网络模型应用到工件表面缺陷准确率达到了99.4%,比目前工件表面缺陷检测技术DeepLabv3、U-Net的准确率有所提高。     

基于改进DG-MobileNet模型的焊缝缺陷识别方法

针对焊接缺陷识别及分类过程中，传统卷积神经网络识别准确率低、适应性差和低效等问题，提出一种基于融合空洞卷积的DG-MobileNet焊接缺陷识别模型。首先，基于MobileNet模型将深度可分离卷积与空洞卷积相结合以扩大卷积核感受野；然后，引入DropBlock模块和批量规范化算法优化焊接缺陷特征提取过程和防止过拟合现象；其次，引入SENet自注意力机制进行特征重标定，提升焊接缺陷识别效率。此外，考虑到焊接缺陷数量类不平衡问题，采用DCGAN进行数据增强并在增强后的数据集上验证模型有效性。实验结果表明，相比于传统算法，DG-MobileNet在焊缝缺陷图像特征提取、识别准确率和耗时方面均具有更好的效果，其测试准确率达到98.62%。     

基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法

针对卷积神经网络(CNN)应用于焊缝探伤图像识别时，目标区域占比小，局部信息冗余，激活函数小于零时出现硬饱和区导致模型对输入变化较敏感、网络参数难以训练的问题，采用超像素分割算法(SLIC)和改进的ELU激活函数构建CNN模型进行焊缝探伤图像缺陷识别. 首先，在CNN模型中使用ELU激活函数，在缓解梯度消失时对输入噪声产生更好的鲁棒性，同时，利用SLIC算法对图像像素进行像素块处理的特点，增大焊缝探伤图像中感兴趣区域的占比，降低局部冗余信息，提高模型在训练过程中的特征提取能力. 通过对焊缝探伤图像感兴趣区域提取并与所述CNN模型进行对比试验. 结果表明，该方法在焊缝探伤图像特征提取、训练耗时及识别准确率方面较传统卷积神经网络有更好的表现.     

基于3D卷积神经网络的装配动作识别

为了实现对工人装配动作的监测,提高装配质量和效率、降低成本,研究了基于深度学习的装配动作识别方法。采集9类常见装配动作的视频图像,建立了装配动作的数据集。并使用该数据集训练3D卷积神经网络模型,不断优化网络结构,构建了由6个3D卷积层、5个最大池化层、两个全连接层和一个输出层构成的3D神经网络模型。最后在装配动作数据集上进行了测试,结果表明构建的3D卷积神经网络模型可以很好的识别装配动作,识别准确率达到了88.5%。研究成果对大批量定制生产中装配动作的识别和装配质量监测具有一定的参考意义。     

结合时空特征的多传感器刀具磨损监测

针对传统深度学习方法监测刀具磨损状况时,相关特征提取繁琐,数据隐含信息提取不全面导致识别精度较低等问题,提出了结合时空特征的多传感器刀具磨损监测模型。首先,将不同传感器采集的波形信号经简单预处理后作为输入,再使用多通道1D卷积神经网络(MC-1DCNN)提取输入数据的空间特征;然后,利用双向长短时记忆网络(BiLSTM)提取时序特征;最终,由全连接层和Softmax层对特征进行分类。仿真结果表明,监测模型流程简单、识别准确率高,具备较强的可适用性。     

基于深度学习的零件实例分割识别研究

针对传统零件识别方法图像特征提取鲁棒性不足,零件识别准确率较低、不能对图像进行实例分割的问题,文章提出了一种基于Mask R-CNN的零件识别方法。该方法利用卷积神经网络对零件图像进行特征提取,选取数据集中标注好的图像微调Mask R-CNN网络,以保证零件识别的准确性,并生成Mask分割掩码,对零件进行实例分割。同时,对数据集进行数据增强和划分K折交叉验证来提高模型的鲁棒性。最后通过搭建实验平台对零件进行识别,证明了该方法的有效性。     

基于卷积神经网络的高速列车抗蛇行减振器故障诊断

由于抗蛇行减振器在服役过程中发生故障会严重威胁到列车的运行安全，提出一种基于卷积神经网络的抗蛇行减振器故障诊断方法。采集的阻尼力信号通过短时傅里叶变换得到时频图谱，并将其划分为训练集和测试集；然后将训练集输入卷积神经网络模型中，进行训练样本信号的特征提取工作，通过前向传播和反向传播方式得到卷积神经网络的具体模型，并通过多次迭代更新网络参数；最后，将训练好的模型用于测试集，获得蛇行减振器故障诊断的准确率。为了验证模型的有效性，选用正常状态、启动不良和锯齿波故障数据作为实验验证，结果表明：该方法不仅避免了传统诊断方法需要人工提取特征带来的问题，且具有较好的诊断效果。     

基于深度学习的大规模图像高效识别算法研究（英文）

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS-PEAL-R1大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

基于深度学习的大规模图像高效识别算法研究

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS PEAL R1 大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

基于深度卷积神经网络的焊缝图像滤波

针对视觉焊缝跟踪中焊缝图像滤波处理的实际需求,提出基于深度卷积神经网络的焊缝图像滤波(WIF-CNN)模型,实现了对焊缝图像中不同类型噪声的有效滤除。所提出的WIF-CNN网络基于VGG网络实现,通过去除VGG网络中的全连接层和池化层,实现了图像端到端的训练;通过引入残差网络结构和BN层,使WIF-CNN网络在保持较高层数的同时,具有较高的准确率和较快的收敛性;按照随机洗牌策略生成训练数据集,提高了WIF-CNN网络的鲁棒性。结果表明：当分别过滤含有高斯、泊松和椒盐噪声的焊缝图像时,与均值、高斯、中值、NLM和BM3D等滤波算法相比,所提出WIF-CNN网络的滤波效果最好,经过WIF-CNN网络滤波处理后的焊缝图像噪声强度大幅降低,且失真度较小;所构建的WIF-CNN网络可以满足焊缝视觉跟踪中图像滤波处理的要求,有利于后续焊缝图像处理的进行。     

噪声干扰下基于二维特征图和深度残差收缩网络的齿轮箱故障诊断北大核心

针对噪声环境下一维卷积神经网络单一卷积拓扑结构难以准确诊断齿轮箱故障的难题,提出一种基于二维特征图和深度残差收缩网络(TM-DRSN)的故障诊断方法。根据采集到的齿轮箱振动信号,基于重叠采样方法获取故障数据样本,并分为训练集和测试集;基于横向插样法将一维数据样本构建成便于DRSN输入的二维特征图,在DRSN输入层构建宽卷积核层作为第一特征提取层;将残差收缩模块加入深度卷积神经网络中替换由传统卷积和池化组成的特征提取层;叠加多个残差收缩模块得到深度残差收缩网络模型;将构建的DRSN用于噪声环境下的轴承故障诊断试验。结果表明:TM-DRSN方法的故障诊断精度优于其他对比方法。     

基于深度学习的杂乱场景下零件实例分割

为了检测和分割箱盒内杂乱摆放的零件,同时针对卷积神经网络需要大量和高质量图像进行训练的问题,提出了一种基于零件合成训练集对Mask RCNN网络进行训练的方法。首先,利用三维仿真技术,通过OpenSceneGraph(OSG)和Bullet建立了杂乱场景零件训练集合成系统,生成大量的合成图像;其次,建立了三种不同的训练集,分别对Mask RCNN网络训练;最后,利用Kinect视觉传感器采集真实图像进行测试。实验证明,该方法的准确率为97%,可以对杂乱场景下的零件有效地进行检测和分割。