基于数据融合和改进MoCo的工业机器人抖动原因识别

实际工程中工业机器人受关节控制参数不佳易引起末端抖动，抖动原因识别有助于定位关节异常及优化控制。而工业机器人抖动原因识别存在周期信号冗余度高、抖动方向多及抖动状态样本标签缺失的问题，故提出基于数据融合和改进动量对比学习(MoCo)的工业机器人抖动原因识别方法。首先，对工业机器人末端各传感器数据依次进行数据降维、数据扩充、水平拼接融合及降维，构建充足且全面反映抖动方向及状态信息的融合样本。其中，数据融合前降维可降低周期样本冗余度及提升样本融合效率，数据融合后降维可避免融合样本过长导致模型训练复杂度增加。其次，在MoCo前标记少量融合样本由正编码器分类通道输出监督信息，引导特征聚类。然后，改进对比学习策略，将正编码器提取的无标签融合数据特征与动量编码器保存的负样本特征的聚类中心进行对比，去除特征相似度最高的聚类中心以降低对比类别错误的假负样本干扰。并通过对称调换两个编码器的输入进行两次对比损失计算，完成编码器训练。最后，在编码器分类通道后添加Softmax分类器完成工业机器人抖动原因识别。实验结果表明，所提方法在不同工况的工业机器人抖动原因识别准确率均在90%以上，证明了该方法的有效性。     

基于多注意力 Faster RCNN 的噪声干扰下 印刷电路板缺陷检测

针对工业环境中噪声干扰导致的印刷电路板缺陷检测困难的问题,提出基于多注意力 Faster RCNN 的印刷电路板缺陷检 测方法,分别于特征提取以及特征融合部分引入注意力机制以获得具有抗干扰能力的特征表示,提升检测效果。 首先使用分离注 意力网络提取缺陷特征,使网络自动关注到缺陷特征,以降低噪声干扰的影响;其次,使用平衡特征金字塔融合不同分辨率特征, 利用非局部注意力机制对融合特征进行全局感受野内不同区域特征的加权,增强其缺陷表征能力并进一步抑制噪声干扰;最后, 依据所获得的特征表示,利用区域建议网络生成缺陷候选框并利用全连接层对其进行位置以及类别的确定以得到检测结果。 在 不同程度噪声干扰下的印刷电路板缺陷数据集上进行实验验证,平均检测精度达到 92. 4% ,证明了所提方法的有效性和可行性。     

基于改进的Inception-ResNet-V2废钢类型识别算法

本研究提出了一种基于深度学习的废钢快速识别方法，提出的基于Inception-ResNet-V2的改进网络结构添加注意力机制模块经过微调得到SE-Inception-ResNet,并在此基础上采用学习率梯度更新策略自适应调节优化模型。采集了四种类型的废钢数据，然后将样本图像按80%训练集，20%验证集进行训练。后与ResNet152、InceptionV3比较了模型的性能。结果表明，SE-Inception-ResNet、InceptionV3和ResNet152网络的总体分类准确率分别为98.10%、97.48%、95.67%。SE-Inception-ResNet的分类精度最高，该模型在不同学习率情况下能快速梯度收敛。实验结果表明，所提出的改进卷积神经网络模型能够有效地对废钢类型进行识别。同时期望提高其迁移学习模型泛化性，可以为其他快速分类鉴定提供参考，并应用于其他工业或商业领域。