基于全卷积神经网络的焊缝识别方法

在机器人自动化焊接中,精准高效的焊缝识别是实现高质量焊接的关键。针对现有视觉检测方法效率低、精度差的问题,提出了一种基于全卷积神经网络的焊缝识别方法。该方法首先采集数据对全卷积神经网络进行训练,得到最佳的网络参数;然后采用训练好的全卷积神经网络和最佳网络参数对焊缝图片进行语义分割,将焊缝所在区域与背景进行分离;然后对分割出的焊缝区域,进行骨架提取,得到接近单像素宽度的焊缝;之后根据自定义的直线度参数对焊缝形状进行判定,确定该焊缝是否为直线,用最小二乘法进行直线或曲线拟合,得到最终的焊缝轨迹。实验结果表明,所提方法能够快速准确地识别出焊缝位置和形状,可以作为自动焊接机器人轨迹自主规划和控制的技术基础。     

浅层卷积神经网络融合Transformer的金属缺陷图像识别方法

针对金属缺陷识别领域中传统深度学习方法存在参数量多、计算量大的问题,提出了一种浅层卷积神经网络融合Transformer模型的金属缺陷识别方法。利用浅层卷积神经网络学习图像局部信息与位置信息,通过Transformer学习图像全局信息,同时引入通道注意力模块SE关注重要特征通道,实现缺陷图像识别。通过引入公开缺陷数据集验证该方法的有效性,同时利用自建缺陷超声数据集验证所提方法的通用性。实验结果表明,在中小规模数据集上,该方法通用性较强,能够对金属缺陷图像进行有效识别。     

基于卷积神经网络的玻璃瓶口缺陷检测

摘键要：在玻璃瓶的生产中,玻璃瓶制品的质量检测显得尤为重要。随着计算机硬件的更新进步和不同视觉检测算法提出,在工业中机器视觉产品检测逐渐代替人工检测。针对玻璃瓶口的缺陷检测,对玻璃瓶口进行图像采集及预处理,采用预处理的缺陷图作为数据集,利用嵌套残差神经网络的图像识别模型对玻璃瓶口进行缺陷检测并分类。实验结果表明,该方法能够有效提高玻璃瓶口缺陷分类的正确率,验证了该方法的有效性。     

基于卷积神经网络的管道缺陷量化识别方法北大核心CSCD

针对长输油气管道缺陷尺寸的智能识别、有效评估管道损伤程度的问题,提出了一种基于卷积神经网络的漏磁数据智能识别处理方法。该方法将漏磁检测信号的结构化数据作为模型量化分析输入源,可有效减小检测干扰的影响。利用卷积核提取管道缺陷处的漏磁检测数据特征,改进输出层激活函数,线性输出结果,实现对管道缺陷尺寸的智能识别。实验结果表明:该方法对管道缺陷具有良好的量化能力,量化误差为2~4 mm,满足工程需求,同时可快速对工程数据进行批量识别,在管道漏磁内检测数据处理领域具有很好的应用前景。     

焊接缺陷磁光成像卷积神经网络识别方法

对焊件表面及亚表面微小焊接缺陷进行检测是保证焊接质量的关键,提出一种基于深层卷积神经网络的磁光成像焊接缺陷检测方法.以法拉第磁致旋光效应为基础,分析磁光成像原理,建立深层卷积网络预测模型,研究不同模型结构参数对训练结果的影响.通过对深度卷积神经网络中间机理分析,研究模型训练过程并自动寻找卷积核最优参数.试验结果表明,第...     

多模深度卷积神经网络应用于视频表情识别

由于视频中的手工特征和主观情感之间的直接相关性很小,识别视频序列中的面部表情是一项很有挑战性的任务,为了克服这个缺陷,有效提高视频中的人脸表情识别性能。本方法采用两个深度卷积神经网络,即空间卷积神经网络和时间卷积神经网络,用于视频中的时空表情特征学习。其中,空间卷积神经网络用于提取视频中每一帧静态的表情图像的空间信息特征,而时间卷积神经网络用于从视频中多帧表情图像的光流信息中提取动态信息特征。然后,将这两个深度卷积神经网络学习到的时空特征进行基于深度信念网络(DBN)的特征层融合,输入到支持向量机实现视频中的人脸表情分类任务。在公共的RML和BAUM-1s视频情感数据集的测试结果表明,该方法分别取得了71.06%和52.18%的正确识别率,明显优于现有文献报导的结果。多模深度卷积神经网络的人脸表情识别方法能提高视频中人脸表情的识别性能。     

基于卷积神经网络的设备安装位置智能识别方法

该文针对IT系统集成机柜建立了一套基于卷积神经网络的柜内设备智能识别系统。设计基于图像处理和深度学习的识别算法以实现机柜内设备安装位置的检测识别。建立设备图像数据集对YOLO模型进行训练,得到合适的加权系数,使模型损失函数值最小;将训练好的模型对实际环境中的机柜进行检测并与其他经典方法进行对比。实验结果显示,该系统检测的准确率和实时性都优于其他算法,准确率最高达到93.9%。对于建立基于机器视觉的设备识别和控制系统有重要意义,可以在一定程度是上取代人工识别和操作。     

图像识别中的卷积神经网络应用研究

传统图像识别方法存在自适应能力弱的问题,如果待识别对象存在较大残缺或者其他外在噪声干扰,模型则无法获得理想结果.最早在图像处理中成功应用的深度学习是人工智能中非常重要的部分.在图像处理中,带有卷积结构的多层网络的卷积神经网络被加拿大教授及其小组成员提出并优化.在其过程有了突破性发展的情况下,利用卷积神经网络完成了图像识...     

基于三维深度卷积神经网络的车间生产行为识别

传统的依赖视频监控的人员行为管理方式费时且易产生疏漏,难以适用复杂的生产制造环境,为了实现更加有效的人员行为管理,针对生产车间工作人员行为识别与智能监控问题,提出一种基于人体骨架信息的生产行为识别方法。基于三维深度视觉传感器采集人体骨架关节位置数据,用标准化重构方法对骨架关节数据进行归一化处理,合成人体行为的时空特征RGB图像。在此基础上构建深度卷积神经网络模型,进行时空域的生产行为识别。最后通过CUDA GPU加速环境下面向MSR-Action3D数据集和自建验证数据集NJUST3D进行实验验证,说明所提方法具有较高的准确率和实用价值。     

基于改进LeNet-5卷积神经网络的发票识别研究

增值税发票信息在金融领域至关重要,自动识别发票信息可以节约人工成本和时间成本.因此,文中提出设计一种基于改进LeNet-5卷积神经网络的发票自动识别方法,将改进LeNet-5卷积神经网络算法应用于发票识别后,经验证表明,应用改进LeNet-5卷积神经网络算法的发票信息识别率得到了提高.     

基于改进卷积神经网络的行星齿轮箱故障诊断研究

行星齿轮箱作为机械设备的重要传动部件,其运行的好坏直接影响到整个设备的运行状况.通过引入批量归一化层和丢弃层对卷积神经网络模型进行改进,提出了基于改进卷积神经网络的齿轮箱故障诊断模型.搭建齿轮箱实验平台,使用该模型对齿轮箱的振动信号进行故障识别.实验结果表明:该模型能够有效地对齿轮箱不同的故障类型进行识别分类,分类准确...     

基于改进卷积神经网络的燃气调压器故障识别研究

针对传统故障识别方法不仅过分依赖专家经验对故障特征进行提取且识别准确率不高的问题,在深度学习理论基础上,提出了一种将一维卷积神经网络与SVM分类器相结合的改进深度卷积神经网络,实现调压器“端到端”的故障识别。首先,介绍了传统卷积神经网络结构;其次,将改进后的一维卷积神经网络与SVM相结合,提出了基于1-MsCNN-SVM算法的调压器故障识别模型,并对模型的组成部分进行了介绍;然后,通过对比实验确定了模型的卷积核长度和卷积层组数;最后,为验证模型的有效性,基于燃气调压器故障数据集,开展了燃气调压器故障识别研究。研究结果表明,改进后的1-MsCNN-SVM算法故障识别准确率高达99.20%,模型具有较好的分类准确率。     

基于卷积神经网络带标记的钢板表面缺陷检测CSCD

钢铁产业是制造业的支柱性产业,由于生产中工况多样性,导致钢板表面的缺陷种类繁多,难以检测,且检测准确率及效率不理想。针对小样本的钢板表面缺陷分类检测问题,提出基于卷积神经网络带标记的钢板表面缺陷检测系统。首先,灯源采用狭缝式结构,相机选用为TEDTECH公司型号TM-C1582U,采集钢板表面缺陷样本,共计1300个样本,分为六类缺陷,即色差、孔洞、划痕、磷化斑、针眼、白斑,将其分为训练集和测试集;其次,对钢板缺陷图像进行双边滤波去噪;然后,使用canny算子进行边缘检测;再次,选用特征灰度值一阶概率分布P(i)和x方向投影特征P(x),求其特征向量,在图像边缘处补一列或者几列特征向量;最后,设计卷积神经网络结构,采用3个卷积层和1个6类别softmax输出层,其中激活函数为ReLU函数。由开源框架Caffe和其C++接口实现,分别对其训练,最高准确率可达93.20%、95.69%、97.35%、94.52%、94.15%、95.71%。     

构建多尺度深度卷积神经网络行为识别模型

为了减化传统人体行为识别方法中的特征提取过程,提高所提取特征的泛化性能,本文提出了一种基于深度卷积神经网络和多尺度信息的人体行为识别方法。该方法以深度视频为研究对象,通过构建基于卷积神经网络的深度结构,并融合粗粒度的全局行为模式与细粒度的局部手部动作等多尺度信息来研究人体行为的识别。MSRDailyActivity3D数据集上的实验得出该数据集上第11~16种行为的平均识别准确率为98%,所有行为的平均识别准确率为60.625%。结果表明,本方法能对人体行为进行有效识别,基本能准确识别运动较为明显的人体行为,对仅有手部局部运动的行为的识别准确率有所下降。     

集箱管接头内焊缝表面缺陷识别方法研究

针对集箱管接头内焊缝表面缺陷自动检测需要,进行了基于计算机视觉的集箱管接头内焊缝表面缺陷自动识别方法研究。分析了不同焊缝图像的纹理特征,从焊缝图像的灰度共生矩阵中提取出15种可用于焊缝表面缺陷状态表征的特征参数。在此基础上,研究将BP神经网络应用于焊缝表面缺陷自动识别中。分析了灰度共生矩阵的步长、灰度级、神经网络的结构参数及输入特征参数的数量和种类对焊缝图像识别效果的影响,优化出最佳的识别参数。在以上研究基础上,利用优化后的神经网络对内窥镜获得的不同焊接质量的焊缝图像进行了训练和识别。结果表明,提出的基于图像纹理的神经网络识别系统可以很好实现集箱管接头内焊缝焊接状态的自动评价,整体识别率达91%。研究工作为集箱管接头内焊缝焊接质量自动检测做了有益的探索。     

基于改进3D卷积神经网络的行为识别

鉴于基于视频的人体行为识别中的视频流数据过于庞大,3D卷积核参数设置过多,存在训练时间较长,调参困难等问题,以3D卷积神经网络为基础,提出一种将3D卷积核拆分成空间域和时间域两种卷积核的神经网络结构。两种卷积核分别形成两个数据流进行交互,同时引入残差网络以优化网络结构,减少参数设置。将所提方法应用于两个行为识别数据集KTH和UCF101上进行训练验证,其行为识别准确率分别为96.2%和90.7%。结果表明,较改进前的神经网络框架,所提方法在保证动作识别准确度的前提下,训练速度提高了7.5%～7.8%。该方法可以有效降低深度学习进行行为识别的硬件要求,提高模型训练效率,并可以广泛应用于智能机器人领域。     

多卷积神经网络融合的滚动轴承故障识别方法

针对滚动轴承故障,提出了一种多卷积神经网络融合的滚动轴承故障识别方法.采集滚动轴承在不同状态下的振动信号,利用短时傅里叶变换得到二维时频谱图.基于二维时频谱图的数据结构设计得到二维卷积神经网络、一维时域卷积神经网络、一维频域卷积神经网络,利用这三个卷积神经网络的输出结果构建全连接神经网络进行融合.利用引导聚集集成学习方...     

改进的AlexNet模型在玻壳缺陷检测中的应用

针对玻壳缺陷检测的准确率不高的问题,提出了一种基于改进AlexNet的玻壳缺陷检测模型。该模型在AlexNet网络模型基础上,引入1×1卷积、通道洗牌卷积层和残差网络,优化了模型的结构。将改进前后的模型分别对玻壳图库随机抽取的玻壳图片进行测试,实验结果表明:改进后的模型能够识别玻壳残缝、破口、污点等缺陷,识别准确率达95.9%。改进后的AlexNet模型在玻壳缺陷识别具有良好的适用性。