基于物联网的智能无人生产线系统研究

传统的人工生产线效率较低,无法适应大规模工业生产需求。鉴于此,提出了一种基于物联网的射频识别与机器视觉相结合的智能无人生产线系统。该系统以射频识别(RFID)为技术基础,通过识别零件上的标签来实现控制和管理,以空间坐标系化的算法使机器人自动装配,基于深度学习的机器视觉算法实现零件装配成功率检测,通过相机拍摄的大量装配照片形成数据集,搭建并训练神经网络模型进行检测。生产线各部分通过局域网连接,从而实现生产线的无人化和智能化作业。     

手势识别引导机械臂的零件智能装配方法

文中利用手势识别方法,以示教编码的模式完成零件自动抓取的动作,防止装配过程中出现错装、漏装等问题,满足零件柔性装配多样化的需求。首先提出利用SSD模型实现零件抓取位置目标检测方法,根据SSD网络给出当前输入图像的零件种类与位置,缩小零件抓取位置分析范围;然后通过整合空间金字塔池化方法与传统特征提取卷积网络,利用传统的边框检测法,设计了物体角度的抓取参考矩形框方法来代替滑动窗口生成方法,以提高检测速度;最后结合YOLOv3网络进行手势识别,引导机械臂进行零件的智能装配。     

深度学习的车间零件分拣机器人目标识别方法

针对目前方法识别机器人目标时,由于未能详细分析分拣机器人运动规律,导致该方法开展目标识别时,存在平均置信度低、识别效果差等问题,提出深度学习的车间零件分拣机器人目标识别方法。该方法通过分析分拣机器人运动规律,提取待检测目标的特征向量值;结合深度学习理论建立目标识别模型,并寻找模型最佳参数;建立待检测目标的相关测试集放入模型中训练,基于模型输出结果,完成机器人的目标识别。实验结果表明,运用该方法识别目标时,其在特征提取后,分拣目标数量为1000个时,识别准确率达到了97.5%以上,识别耗时在100s以下,平均置信度约为0.8,有效提高了平均置信度、降低了识别时间,识别效果好。     

基于视觉的航天电连接器的智能识别与装配引导

为提高操作空间狭小的精密航天产品的手工装配效率,提出一种基于视觉的航天电连接器的智能识别与装配引导方法。利用肤色特征与零件的轮廓特征提取原始图像中零件所在的区域。提取电连接器的斑点特征和尺度不变特征变换特征放入支持向量机的分类器,训练得到零件训练模型。借助Hough变换与零件训练模型实现了电连接器的在线分类识别,整个识别过程无需人工干预。通过预先构建完善的三维装配工艺信息模型,利用识别结果实时触发并调取对应零件的装配工艺信息,用于指导装配。实例验证表明,零件识别平均准确率达90%以上,单幅图片识别时间在2s内,能够满足在线识别精度和效率的要求。     

基于神经网络和模型迁移学习的不相关多源频域载荷识别

针对使用模型初始权重随机设定的神经网络模型进行不相关多源频域载荷识别时训练效率低、精度低的问题,提出一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法.首先,利用某频率点的历史数据对不相关多源载荷识别的多输入多输出神经网络模型进行训练;其次,将该频率下的神经网络的模型参数迁移到相邻的目标频域的神经网络中作为网络权值的初值;再次,利用目标频率的历史数据对神经网络进行微调训练,从而得到目标频率的不相关多源频域载荷识别模型;最后,将该频率的训练好的神经网络的模型参数迁移到下一个相邻频率的模型,循环该过程直到建立所有频率点的神经网络模型.在圆柱壳声振实验数据集上的载荷识别结果表明,该方法具有较好的网络权值初值、能有效减少训练时间,比不使用迁移学习的神经网络方法、基于传递函数和最小二乘广义逆的方法、基于多元一次线性回归的方法具有更高的识别精度.     

基于PX-LBP和像素分类的装配体零件识别研究

针对机械产品装配维修诱导中零件和装配体的识别、监测问题,对装配体零件识别及装配监测进行了研究,对LBP算子进行了改进,提出了一种基于像素局部二值模式(PX-LBP)和像素分类的装配体零件识别及装配监测方法。首先将LBP算子与像素分类融合,提出了PX-LBP算子;然后对深度图像进行了PX-LBP特征提取,生成了训练集和测试集;最后训练随机森林分类器,并利用训练好的随机森林分类器实现了对测试集深度图像的像素分类,生成了像素预测图像,通过像素预测图像与标记图像对比实现了装配体零件的识别及装配过程的监测。研究结果表明:该方法对于模型深度图像的像素识别率可达到98.81%,对于真实装配体深度图像的像素识别率也可达到77.51%;该方法兼具了一定的实时性与鲁棒性,可用在装配维修诱导、装配监测和自动化装配邻域中。     

基于Inception-SSD算法的零件识别

针对传统目标检测方法不能兼顾目标识别精度和检测实时性,且在实际生产复杂工况下识别效果不佳的问题,提出一种基于Inception-SSD框架的零件深度学习识别方法。首先,提出了融合Inception预测结构的SSD优化框架Inception-SSD,将Inception网络结构引入到SSD网络额外层中,并使用批量标准化模块(BN)和残差结构连接,从而捕获更多目标信息而又不会增加网络复杂性,以提高检测准确率而又不影响其检测速度,并增加算法鲁棒性;然后提出在原损失函数基础上增加排斥损失项以改进损失函数,同时采用一种基于加权算法的非极大值抑制方法,克服模型表达能力不足的缺点。最后,将改进前后SSD算法在自制零件数据集上进行训练和测试,实验结果表明:本文方法在实际生产过程复杂情况下检测准确率达到97.8%,相比原SSD算法提升11.7%,检测速率41 frame/s。在提高检测精度同时还保证了实时性,能够满足实际生产环境零件检测需求。     

基于改进SSD的多目标零件识别系统研究

在零件的装配、分拣、焊接等工业生产过程中,使用图像处理的方法对零件进行识别能够大大减少夹具的使用。在零件的图像识别领域中,提出一种基于多尺度融合的MDSSD零件识别系统,MDSSD网络以SSD网络为基础,通过针对特定的零件识别场景,特别是小目标零件,使用融合模块实现深层网络和浅层网络的跨层连接,并且实现类别的预测以及坐标的回归。在特定环境的螺钉、螺母、垫圈的测试数据集上,分别使用SSD网络和MDSSD网络对单张图片的单类零件和单张图片的多类零件进行检测操作。实验表明,使用MDSSD算法平均检测精度达到97.11%,检测速度达到32.00fps,MDSSD算法对比原来的SSD算法,平均检测精度提高了6.21%,能实时高精度地检测出零件,满足零件识别需求,可解决工业实际问题。     

基于特征的三维模型识别技术研究

通过建立规范化的特征库,提出基于特征的三维模型识别技术。根据特征库为三维模型的构建提供参照,在特征查询过程中通过获得三维模型的特征集,提取特征间关系建立特征矩阵,能够快速识别相应的特征模型。利用该技术对复杂的三维零件模型或装配模型的快速识别简单有效,在零件、特征通用化趋势下,该技术具有发展前景。     

基于特征语义的装配序列规划预处理方法

针对复杂产品装配序列规划复杂度高、求解效率低下的问题，提出了基于典型零件装配语义规则的装配序列规划预处理方法。构建基于特征的装配语义模型，表达零件的类型与几何特征信息，在此基础上构建典型零件装配特征库；通过基于属性邻接图的匹配方法，进行零件类型识别及子特征分割；基于典型零件的装配规则，建立装配序列规划矩阵的降维方法，提出基于装配序列规划矩阵的装配可行序列生成方法；以主动锥齿轮子装配为例验证了方法的有效性。     

基于迁移学习的高铁线缆扣件装配检测

为了判断高铁线缆扣件的装配是否正确,这里采用一种基于迁移学习的卷积神经网络的算法对高铁线缆扣件装配进行检测.首先将预训练的网络与目标检测算法相结合,建立完整的装配检测网络,然后对制作好的数据集进行训练和测试.实验结果表明,相比传统对象识别的方法,该方法不仅提高了工件装配检测的准确度,还保证了工业检测中对实时性的要求.另外,由于卷积神经网络可以获取工件图像的深层特征,从而使得目标检测算法更加稳健,更能适应光照、灰尘等环境噪声的变化.     

机械产品非线性装配顺序规划研究

提出了用于机械产品非线性装配顺序规划的关系码矩阵模型，通过编码将所有的装配关系信息集成于一个简单矩阵中，用连接模式，即二进制数模板技术来识别装配时零件的几何约束。基于关系码矩阵模型给出了规划可行的装配顺序，检测装配过程中零件的稳定性及识别子装配的计算方法，使用遗传算法搜索并优化装配顺序，用复合表表示遗传算法中个体的装配顺序。最后，通过一个实例验证了该方法的有效性。     

双机器人视觉协调装配零件系统研究

为了提高工业生产的柔性和自动化控制程度,在传统的零件装配系统中引入视觉注意思想和协调控制方式。使用基于直方图对比的方法生成显著图,用固定阈值优化法进行二值化,利用最小外接矩形抽取出零件,通过特征提取和匹配识别出零件,用于指导工业机器人抓取,结合两台工业机器人主从式协调控制方式,完成零件装配任务。在自主开发的平台上进行实验,结果表明了所提出的方法能够快速地识别和定位出目标零件并且在仿真平台上成功地模拟了零件协调装配的整个过程。     

一种基于加速计的手势识别算法及其在虚拟环境中的应用

针对虚拟环境下的三维交互问题,提出了基于加速计的手势识别算法。识别之前先对加速计输出做量化处理,再用离散型隐马尔科夫模型(HMM)进行建模、训练与识别。基于此识别算法,将手势作为一种交互方式应用在三维交互系统中,建立了手势-语义映射表,以训练标准手势,最后对输入手势进行了识别,根据识别结果完成了交互语义。将算法应用于虚拟奥运博物馆实例中,实验结果表明,该算法可有效快速识别出用户输入手势,且平均识别率达到90%以上,用户凭借此方法能准确无误地完成交互。     

基于密度的进化算法的机械产品选配方法

针对机械产品多目标多质量要求下的选择装配问题,提出一种基于密度的多目标进化算法(DMOEA)的选择装配方法。考虑零件尺寸链与尺寸的关联关系,以选配成功率和装配精度为优化目标构建多目标多质量要求下的选配模型。使用自然数编码,以一个零件尺寸值序号的随机序列作为配对编码的基因,并采用个体聚集密度定义适应度函数,利用DMOEA对多目标选配问题进行求解,实现了多目标多质量要求下的选配优化。开发出基于DMOEA的零件选配系统,应用于某公司产品,验证了所提方法的可行性与有效性。     

基于模糊神经网络产品设计的可装配性评价

首先建立了基于模糊神经网络的可装配性评价模型,然后将产品的可装配性分为零件级可装配性和装配顺序级可装配性,并将影响零件可装配性的因素分为零件装配特征的对称性、零件易于装配的形状特征个数、零件易于识别和零件易于抓取的形状特征个数,将影响装配顺序可装配性的因素分为总的操作数．非装配操作、装配工具的更换次数、平行的装配任务的数量、基础件的重定向次数和装配方向,建立了评价指标体系。最后将评价模型应用于某产品可装配性的评价。     

面向过程的虚拟环境中产品装配建模研究

提出了面向过程的虚拟装配建模方法,在虚拟环境中将装配建模与装配仿真相结合,建立装配关系模型的同时,实现了对装配过程的创建与仿真,从而,在虚拟环境中将面向结果的装配建模发展为面向过程的装配建模.设计者采用直接三维交互进行装配建模操作的同时,系统通过装配关系识别自动捕捉设计者的装配设计意图,通过装配约束运动确定零件的装配路径,通过虚拟装配建模过程信息重用为装配规划提供有效的支持.开发了面向过程的虚拟装配建模原型系统.实践表明,面向过程的虚拟环境中产品装配建模方法有效地提高了产品装配设计的质量与效率.     

基于深度支持向量机的曲轴智能识别方法

针对拓扑形状结构相似、仅在局部细节上有差别的曲轴识别问题,提出一种基于特征融合的深度支持向量机(DSVM)识别方法,该方法将深度神经网络与多个支持向量机(SVM)相结合构成一种网络模型,通过最大限度地利用支持向量结构风险最小化原理提取深层特征,以建立特征和目标值之间的复杂非线性映射关系,保证模型的泛化能力.该模型包含数据的输入层、隐藏层和输出层,为获得较好的曲轴图像局部细节边缘检测效果,从滤波、梯度计算、自动获取高低阈值等方面对传统Canny边缘检测算法进行改进,进而提取边缘的Hu矩、傅里叶描述子和尺寸特征,通过串行融合和特征筛选方法对提取到的3类特征进行优化组合并做归一化处理,作为DS-VM模型的输入向量用于训练最浅层的SVM;高层的特征由低层的支持向量映射产生,实现逐层的训练学习,通过反向传播算法对网络进行更新,由判别函数输出网络的分类识别结果.通过设计曲轴图像采集方案,建立了5类曲轴样本数据集,并验证了模型的性能.实验结果表明,该模型识别精度可达99.6％,相较于单一的SVM和AlexNet分别提高了6.6％ 和3.1％,识别时间为93 ms,符合再制造废旧零件修复或改造柔性生产线中对曲轴识别的要求.     

采用一维卷积神经网络的铣削振动状态识别

由于铣削加工中发生颤振会极大地降低工件的加工质量,铣削振动状态的高效与精准辨识一直是颤振研究的热点问题之一。基于LetNet-5经典卷积网络提出一维卷积网络模型,直接对时域铣削力信号进行处理与识别,针对信号量较少与数据不均衡等问题,采用重叠-随机协同采样的方法对数据进行处理。应用T-分布随机邻域嵌入技术可视化模型在训练集上的学习进程并对端到端的学习目标进行验证。对比基于支持向量机与卷积神经网络识别策略,所提方案在测试集上取得了最高的96.17%准确率,识别结果表明：该方法相较于对比方法过程简单、识别快速且辨识准确率高。     

深度迁移学习在柔性末端执行器端点检测的应用

针对在工业领域中难以利用小样本数据集训练出准确深度学习模型的问题,提出一种基于迁移学习的深度学习目标点检测方法,对小样本数据集下的柔性末端执行器端点检测.首先利用残差网络(ResNet)构建目标点检测网络;然后利用领域自适应迁移方法构建适应网络,将预训练ResNet-50网络参数转移到柔性末端执行器端点检测模型的训练中...