Mask R-CNN中特征不平衡问题的全局信息融合方法

特征不平衡问题是影响神经网络检测效率的关键因素。针对Mask R-CNN中的特征不平衡问题,提出一种基于全局特征金字塔网络（GFPN）的信息融合方法。通过将GFPN产生的不同大小特征相融合,生成包含全局语义信息的特征网络,并采用反向过程对原始特征层进行重新标度,从而使得每个特征层均含有全局语义信息。实验结果表明,与原始基于Mask R-CNN的方法相比,该方法的检测精度提升4~6个百分点,而检测时间仅增加0.112 s。     

基于循环神经网络的螺丝锁附状态检测

自动锁螺丝机是精密电子产品装配流水线的重要组成部分之一,而螺丝锁附状态的检测对整个流水线和电子产品质量起着举足轻重的作用.传统检测方法通常采用感应器或伸缩弹簧,具有检测类别单一、性能不稳定、实时性差等问题.鉴于此,本文提出一种基于循环神经网络的智能螺丝锁附状态检测方法,该方法以锁附过程产生的角度、扭矩、速度序列数据为研究基础,以循环神经网络为研究手段.研究结果表明本文模型相比传统检测方法,具有检测故障类别更多、检测方式更稳定、检测过程更快等优点.对OK、浮锁、未锁进和锁斜4种状态的检测达到了优良的准确率.