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。     

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。     

基于卷积神经网络的工件识别算法

针对传统工件识别算法特征提取困难、通用性差、工件的平移、旋转和光照变化对识别效果影响较大、识别准确率不高等问题,提出了一种基于卷积神经网络的工件识别算法。卷积神经网络由4层网络构成,包括2层卷积层和2层全连接层。实验任意选取了10种工件进行识别。在神经网络训练阶段对这10种工件共采集1万张图片,其中9000张图片作为训练集,剩下1000张图片作为验证集。训练时采用在卷积层加入批归一化层和在全连接层使用随机失活的方法,使网络能够得到更好的训练效果。当迭代次数达到10万次时基本得到理想的训练效果。测试时通过摄像机采集图像,对采集到的图像进行预处理,然后将预处理后的图像送入网络进行识别。在光源稳定室内环境下进行实验,实验结果表明基于卷积神经网络的工件识别平均所需时间为0.169s,平均识别准确率为98.3%,准确率高于传统基于特征提取和模板匹配的工件识别。     

基于深度学习方法的N5/NiCrAlY涂层图像识别的研究

利用深度学习方法,将图像处理技术运用于NiCrAlY涂层/Ni基高温合金服役过程中微观形貌的图像特征信息识别和检索。以NiCrAlY涂层/N5合金为研究对象,基于获取的3600张64×64像素的截面特征图像数据集,采用深度学习技术搭建对基体的TCP相、基体与涂层的界面、氧化层这三类特征进行分类识别。分别训练有二、三层卷积层的卷积神经网络实现这三类特征的分类识别与滑动窗口检索定位。选用RMSProp优化器,配合二、三层卷积层的神经网络的测试集识别准确率分别为98%、90.67%。利用Adam优化器训练三层卷积层的卷积神经网络的测试集识别准确率为99.17%,并且此网络在检索1024×943像素图像的三大特征时表现最佳,检索正确率达到100%。     

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。     

冷轧铜带表面缺陷智能识别方法

表面质量是冷轧铜带重要质量指标之一。为实现铜带表面缺陷的精准自动检测,首先对常见表面缺陷进行分类,并制作了铜带表面缺陷图像数据集(YSU＿CSC);然后,以卷积神经网络EfficientNet为核心,基于迁移学习策略,通过训练实验建立了冷轧铜带表面缺陷智能识别模型,同时与其他三种常用的卷积神经网络缺陷识别结果进行对比。结果表明：该模型的精度较高,准确率达到93.05%,单张缺陷图像平均识别时间为197 ms,综合性能较好,可以满足工程要求;最后,将该模型在测试集上的缺陷识别结果进行可视化,分析了该模型对部分图像识别错误的原因,给出了进一步优化的方向。     

基于机器视觉和深度神经网络的零件装配检测

针对工业生产中存在着大量的零件识别定位以及装配检测等,传统人工检测效率低、劳动强度大、识别不准确。文章提出了一种基于深度神经网络的零件装配检测方法。首先该方法对零件图像和装配图像进行采集,选择Mask-RCNN网络进行训练,对装配零件进行分类以及定位,通过已识别的零件类型判定装配件是否存在漏装;然后将分割后的零件图像进行二值化处理,利用Canny算子提取零件图像轮廓;最后利用图像的Hu矩特征与正确的零件图像轮廓进行对比,判断装配是否正确。通过实验验证可得,该方法在零件装配中的漏装和换装检测中效果较好,并表现出较高的鲁棒性。     

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。     

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WPD-CNN二维时频图像的滚动轴承故障诊断

滚动轴承故障诊断是现代工业发展中的重要技术。针对滚动轴承信号特征提取与智能诊断问题,提出了一种基于WPD-CNN二维时频图像的滚动轴承故障诊断方法。首先通过小波包分解(WPD)将信号转换为二维时频图像;其次将时频图像输入VGG19卷积神经网络(CNN)模型自动提取有效特征,并输入Softmax分类器进行训练;最后使用训练好的分类器完成滚动轴承故障诊断任务。实验结果表明,10类故障数据的识别准确率均在98.3%左右,高于其他深度学习和传统方法,因此所提出的故障诊断模型能有效地进行滚动轴承复杂信号的特征提取以及分类任务。     

基于YOLOv5的换向器表面缺陷检测算法研究

在零部件制造和使用过程中,可能会在零部件表面出现缺损现象,而零部件在反复使用过程中其微小缺陷可能扩大甚至使损坏零部件,进而导致零部件所在系统发生故障。以工业用典型零部件换向器为研究对象,提出了基于深度学习算法的零部件缺陷检测方法。研究中,基于KolektorSDD数据集,首先采用Mosaic数据增强方法对换向器缺陷数据集中的数据进行旋转、裁剪等处理,对数据集进行扩充,构建数据集。其次,将构建的数据集划分为训练集和测试集。采用构建的训练数据集,搭建深度学习框架并采用YOLOv5卷积神经网络训练模型,建立换向器表面缺陷识别模型。最后,采用构建的识别模型对测试集中的数据进行测试。结果表明,训练模型性能评价指标平均精确率均值(mAP)及正样本召回率(Recall)均高达95%以上,采用深度学习中YOLOv5目标检测算法对换向器表面缺陷的检测精度可高达90%。     

基于同步挤压S变换和深度学习的轴承故障诊断

针对传统轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,提出了一种基于同步挤压S变换(synchrosqueezed S transform,SSST)和深度曲线波卷积神经网络(deep curvelet convolutional neural network,DCCNN)的轴承故障诊断方法。首先,对采集到的轴承振动信号进行SSST变换,得到时频图像并进行灰度化和归一化操作;其次,在深度卷积神经网络基础上建立DCCNN,并引入类内距离和类间距离约束的能量函数;最后,将时频图像直接输入DCCNN进行自动特征提取和故障识别。轴承诊断实验结果表明,该方法能有效地对轴承进行多工况和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器和标准卷积神经网络等方法。     

深度学习在故障诊断中的应用综述

阐述了深度学习在故障诊断和图像分析、语音识别和文本理解等领域的应用;介绍卷积神经网络、深度置信网络、堆叠自动编码网络、递归神经网络4种典型的深度学习模型;综述近几年深度学习在故障诊断中的模型选择、学习算法和实际应用等方面的研究新进;探讨深度学习在故障诊断中的理论分析、特征提取、优化训练和研究拓展等。     

基于CNN的工业钉类识别研究及优化策略

为了实现交换机外壳上钉类安装正确与否的精确检测,文章提出一种基于改进卷积神经网络的图像处理识别算法。首先对交换机外壳图像进行Canny算子提取边缘,用透视变换算法与模板形成统一尺寸,定位截取出样本,然后把不同环境下的样本输入Caffe框架下构建的深度卷积神经网络,CPU模式下训练识别模型,最后运用于实际工程中。测试分析结果表明,随着不同钉类样本数据量增加,网络结构不能完全满足检测需求,进而采用一种基于产品类型的不同模型训练优化策略。实验结果表明,改进的算法可以快速训练模型并且结合策略可使不同产品检测准确度达99%以上,有效提高了交换机外壳上钉类安装的检测精度。     

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%。     

基于深度学习的火电机组耐热钢显微组织识别

火电机组所用的耐热钢是复杂的多元高合金钢,金相检验结果由人工判别,容易由于主观因素导致识别结果的不确定。在经典AlexNet模型的基础上构建新的卷积神经网络模型,利用火电机组耐热钢金相检验图像建立样本数据集,经训练与验证,模型对火电机组耐热钢显微组织识别准确率达到89%,比AlexNet模型提高了11%。进一步利用批归一化方法优化所建模型,识别准确率提升到94%,已接近人类对自然图像的识别精度。将深度学习技术应用于火电机组耐热钢显微组织识别,为火电机组金相检验提供了新方法。     

基于改进的残差收缩网络的带钢表面缺陷识别北大核心

为解决传统视觉带钢识别无法自主提取图像特征,准确率会受到图像质量的限制等问题,提出了一种改进的深度残差收缩网络带钢缺陷表面质量缺陷识别方法。首先,利用数据增广的方法:旋转和翻转对数据集进行数据扩充;其次,建立残差收缩网络带钢缺陷识别模型,并且使用LeakyReLU激活函数替换原有的激活函数ReLU;再次,利用Adamax对残差收缩网络进行训练过程优化,减少资源的使用效果以及提高缺陷识别的准确率;最后,通过多次实验,然后取识别准确度的平均值。结果表明,带钢缺陷识别方法的准确度可以达到98.88%,优于传统的SVM、卷积神经网络、残差网络以及改进的残差收缩DRESN-CS。     

基于卷积神经网络的三维沉孔特征识别及关键参数提取北大核心CSCD

精冲零件的工艺特征识别和关键参数提取是实现精冲工艺设计智能化的关键。针对典型精冲工艺特征——沉孔,构建了一个以三维CAD模型为输入的特征识别和参数提取模型。利用改进的自适应体素化算法,将基于参数驱动批量生成的沉孔CAD模型转化为体素化模型,建立模型样本数据集;采用两步法,分别以工艺特征体素化模型为输入建立基于三维卷积神经网络的沉孔特征识别模型和以沉孔中心截面图像为输入建立基于二维卷积神经网络的参数提取模型,依次实现了3类主要沉孔特征的分类识别和参数提取。经过验证和评估,所建模型对于沉孔特征类型识别与关键参数提取均有较高的准确率,可以为精冲工艺的智能化工艺设计提供有力支撑。     

基于多模态集成卷积神经网络的数控机床齿轮箱故障诊断

针对数控机床齿轮箱在实际工作环境中负载多变且噪声干扰大、传统神经网络难以充分提取信号中的故障特征等问题,提出一种多模态集成卷积神经网络（MECNN）用于数控机床齿轮箱故障诊断。该方法将多模态融合技术与多个卷积神经网络结合,利用快速傅里叶变换方法将时域信号转换成频域信号;利用时域信号和频域信号对2个卷积神经网络进行训练,使模型能够分别从时域和频域2个角度提取特征,再将浅层特征融合;最后,将融合后的特征输入到卷积神经网络中进行故障特征的深度挖掘,并进行故障诊断。使用东南大学的齿轮箱数据集进行验证,设计了2种特征融合的方法并进行了对比。实验结果表明：在噪声下,MECNN模型用于故障诊断的准确性和鲁棒性均优于单一的时域CNN和频域CNN。