基于机器视觉提高实习安全性的金工实习教学改革探索

发布时间：2021-08-31 15:26

　　金工实习是高等院校工科教育中重要的工程训练环节之一,在提高学生工程实践能力上发挥着不可取代的作用。而大小事故的发生一直是影响金工实习教学质量最重要的因素之一,也是当前确保实习安全亟待解决的问题之一。该文提出了一种将机器视觉应用于金工实习的教学改革方案,并通过YOLO v3和U-Net神经网络初步实现金工实习过程中刀具和零件的识别。通过该方案,可以利用机器视觉对不规范操作、危险操作及时发出警报,引导学生正确操作,提高金工实习的安全性。 

【文章来源】：实验技术与管理. 2020,37(05)北大核心

【文章页数】：5 页

【部分图文】：

卡盘扳手限位装置示意图

系统的构成如图2所示，主要有以下几个部件组成：使用扁铁焊接的支撑架，放置于车床主轴箱上方；电源使用20 000 mA的充电宝；树莓派（Raspberry Pi）型号3b+，搭载Debian系统；树莓派摄像机，型号为V2，像素800万；树莓派WM8960音频扩展板；搭载Windows10操作系统的计算机；树莓派和计算机之间使用Wi-Fi进行通信。树莓派摄像头每隔3 s拍摄加工时的图像，通过Wi-Fi将图像传回计算机。计算机通过图像判断当前零件的形状，使用的刀具种类及刀具与零件的相对位置。最后再将处理结果进行分类，达到警报条件则发出警报，警报内容实时显示在计算机屏幕上，并通过树莓派的扬声器语音提醒学生。

实习使用的普通卧式车床型号为CA6136，车床各部位长期使用发生掉漆，并且存在油渍，导致俯视图背景复杂，直接通过图像进行识别存在较大难度，需要增设标识物。如图3所示，分别在大滑板和方刀架上粘贴颜色鲜艳的薄片作为标识物，在不影响车床正常操作的同时降低识别难度。然而在实际加工过程中，往往铁屑飞溅，且光影变化复杂。使用阈值分割、边缘检测、背景差分、模板匹配等传统目标检测算法难以有效对刀具和零件进行识别，而深度学习技术远超传统算法的鲁棒性和泛化能力，无疑是解决此类问题的更好选择。深度学习是机器学习的一种方式，是对人脑运行机制的一种简单模仿，通过多层神经网络处理图像、音频等数据。该方法从本质上说，与所有机器学习方法一样，是一种用数学模型对具体问题进行建模分析问题的方法。深度学习极端依赖大规模并行计算，而中央处理器（central processing unit,CPU）难以满足这种需求。深度学习从学术界走入现实生活，与GPU技术的成熟密不可分。2012年，Hinton的团队使用英伟达公司（NVIDIA）生产的GPU，应用深度学习技术，在机器视觉比赛（ImageNet）中夺得冠军，其预测的正确率首次超过传统算法[2]。近年来，在目标检测领域，随着R-CNN[3]、SSD[4]、RetianNet[5]、YOLO[6]等基于深度学习优秀算法的出现，使得那些传统算法表现不佳的视觉识别任务有了替代方案。本文分别选择YOLO v3[7]和U-Net[8]算法对刀具位置和零件形状进行识别，实验结果表明，识别速度和准确率较为理想。

【参考文献】：
期刊论文
[1]基于U形卷积网络的医学图像分割方法研究[J]. 杨铁军,周玉丹.  电子质量. 2019(09)
[2]U-net与Dense-net相结合的视网膜血管提取[J]. 徐光柱,胡松,陈莎,陈鹏,周军,雷帮军.  中国图象图形学报. 2019(09)
[3]实习用车床的安全装置设计[J]. 孙有亮,颜景润,张兰娣.  机械设计与研究. 2009(05)



本文编号：3375137