基于卷积神经网络的物流货物图像分类研究

基于卷积神经网络(CNN)针对物流环境下货物的图像分类问题进行了研究.首先,在实际物流环境下收集了13种货物的ROI图像,并通过每隔10°旋转的方式来扩充数据集以防止过拟合现象的发生;然后,在考虑了实际硬件条件的情况下构建了轻量级CNN,并进行了基于自建数据集的训练,训练实验发现,轻量级CNN模型具有很快的收敛速度并在验证集取得了100％的准确率;最后,研究了旋转对货物图像分类性能的影响,并进行了可视化分析,验证了CNN对旋转操作基本不具备一致性.     

基于Object Detection API的物流单元货架目标检测

随着人工智能的兴起,深度学习的方法已经被广泛地应用到各类图像目标的检测当中,并在复杂环境下取得了良好的效果。针对物流仓储环境,该文基于开源框架Tensorflow上的库Object Detection API,选择了Faster R-CNN算法和SSD-MobileNet算法,分别对物流单元货架上摆放的物流周转箱进行目标检测。实验结果表明,相比于Faster R-CNN算法,SSD-MobileNet算法能够同时满足实时性与准确率的要求。将训练所得的SSD-Mo-bileNet模型移植到QT平台,设计了物流单元货架目标检测界面。     

基于ATmega2560的金属FDM打印设备控制系统设计

针对金属FDM打印设备的控制要求,提出了一种以ATmega2560为核心的硬件控制方案。采用模块化设计方法,根据金属FDM打印设备的功能将整个硬件电路分为几大模块进行详细的电路设计。此外,还对温度控制模块的模糊PID控制策略进行了研究,获得较好的温度控制效果。