基于卷积神经网络的高铁线缆线夹装配质量检测技术研究
发布时间：2021-08-05 18:52
目前,高铁线缆吊弦线夹装配质量检测主要凭借人工的肉眼判断,这种传统的方法不仅精确度无法保证而且检测效率低下,极大阻碍了线夹装配生产的自动化、智能化水平。随着计算机技术的迅速发展,基于卷积神经网络的机器视觉检测技术能够在非接触的条件下展开工作,实时获取相关数据,保证检测工作的精度与效率,人脸识别与医学影像等领域已广泛应用该技术,得以实现多学科融合的最大效益。因此,本文基于卷积神经网络的机器视觉检测技术,通过对相关算法进行改进和优化,实现了对高铁线缆吊弦线夹的装配质量的智能检测,有利于进一步提高其生产效率与装配精度。论文主要研究工作及相关结论如下:（1）线夹装配质量检测系统总体设计。分析了吊弦线夹装配检测的功能需求和检测指标要求;结合实验条件以及检测指标要求,完成了对工业相机、镜头、光源等关键硬件的选型;搭建了线夹装配质量检测系统硬件平台并设计了相应的软件算法流程。（2）基于卷积神经网络算法对线夹装配过程中产生的漏装或错装等防错检测。利用图像处理技术对获取的样本数据进行扩充,以完成数据集的构建;通过分析R-CNN系列网络模型的结构及其工作原理,提出基于损失函数和候选窗口分类结构的改进Mas...
【文章来源】：江苏大学江苏省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
自动化线夹装配生产线
江苏大学硕士学位论文31.2国内外研究现状1.2.1工件装配质量检测研究现状工件装配是指机械零部件按照一定技术规范和工艺进行组装的过程，由于装配过程中需要的零件种类丰富且尺寸大孝装配方式各异，因此极易出现漏装、错装等问题[2]。大部分情况下，装配是自动化生产线的最后一道工序，对装配质量检测是确保产品合格的重要保证。因此对工件装配质量的高效率检测是企业亟待解决的问题。如图1.2所示为线夹装配流程图。图1.2线夹装配流程Fig1.2Clampassemblyprocess当前，国内外学者在工件装配检测方面已有很多的研究。Sainbuyan等人提出一种基于视觉的高尔夫球杆头组装检测系统，以节省球杆头生产时间，采用双目视觉采集生产过程中打击面板的俯视图以及铸件主体俯视图和侧视图图像，通过模板匹配获取铸件主体的三维空间位置以及打击面板的插入深度，从而判断球杆头组件是否满足规范，并通过双目视觉的技术，大大提高装配过程的准确性和效率[3]。意大利萨莱诺大学的L.Angrisani基于机器视觉技术研制可自动测量汽车密封垫片的检测系统，与传统的接触式测量方法相比较，这种方法避免了在测量过程中的划伤现象，可应用于密封垫片的多种参数测量，并且对工件尺寸改变的情况具有很好的适应性[4]。斯洛文尼亚卢布尔雅那大学的F.Lahajnar针对柴油机的柴油过滤器的装配过程，采集过滤器的图像后，运用KLT变换进行特征提取并进行分类，实现了过滤器零件的在线检测[5]。
江苏大学硕士学位论文7图1.3总体研究方案流程图Fig1.3Flowchartoftheentireresearchscheme根据以上流程图，论文的主要研究内容为以下三点：（1）硬件平台是搭建整个检测系统的基础，关键器件选型以及合理打光方式直接影响图像采集的质量。通过对器件重要参数进行了分析，选择合适的器件完成硬件平台搭建，进一步完善装配生产线，提高系统的检测精度和效率。（2）基于卷积神经网络的防错检测，首先构建数据集训练网络模型。根据模型训练结果，不断调整网络参数并对网络结构进行改进，构建鲁棒性强和精度高的卷积神经网络模型，从而实现装配系统的自我学习并提高生产线的智能化水平。（3）线夹螺栓连接紧度检测是线夹装配质量检测的另一个关键指标。通过非接触式检测方法，测量螺栓伸出量长度从而保证其连接紧度。在防错检测基础上，采用图像分割、角点提取等传统图像处理方法，进一步完成线夹装配检测。本文的具体章节安排如下：第一章为绪论。首先分析研究背景并介绍课题来源，然后对工件装配质量检测及基于CNN图像识别的研究现状等进行研究与分析，最后分别介绍论文的研究目的和主要研究内容。
【参考文献】：
期刊论文
[1]血管造影图像分割方法研究的现状与进展[J]. 杨泽鹏,李娜,张保昌,吴宗翰,杨俊,周寿军. 生物医学工程研究. 2020(01)
[2]基于机器视觉和深度神经网络的零件装配检测[J]. 魏中雨,黄海松,姚立国. 组合机床与自动化加工技术. 2020(03)
[3]基于多尺度特征融合的单目图像深度估计[J]. 王泉德,张松涛. 华中科技大学学报(自然科学版). 2020(05)
[4]基于图像处理的红枣分级检测方法设计[J]. GANBOLD OTGONTSETSEG,于鸿彬,李志鹏,邵宏宇. 安徽农业科学. 2020(05)
[5]基于CNN的小麦籽粒完整性图像检测系统[J]. 祝诗平,卓佳鑫,黄华,李光林. 农业机械学报. 2020(05)
[6]基于卷积神经网络的人脸关键点检测算法设计[J]. 石高辉,陈晓荣,刘亚茹,戴星宇,池笑宇,李恒. 电子测量技术. 2019(24)
[7]基于迁移学习的卷积神经网络玉米病害图像识别[J]. 许景辉,邵明烨,王一琛,韩文霆. 农业机械学报. 2020(02)
[8]基于改进卷积神经网络的滚动轴承故障诊断[J]. 蒙志强,董绍江,潘雪娇,吴文亮,贺坤,梁天,赵兴新. 组合机床与自动化加工技术. 2020(02)
[9]基于改进卷积神经网络与集成学习的人脸识别算法[J]. 柯鹏飞,蔡茂国,吴涛. 计算机工程. 2020(02)
[10]基于卷积神经网络特征融合的人脸识别算法[J]. 王卫民,唐洋,张健,张轶秋. 计算机与数字工程. 2020(01)
博士论文
[1]基于计算机视觉的高铁接触网支持装置零部件分类提取与缺陷检测[D]. 韩烨.西南交通大学 2019
硕士论文
[1]基于灰度变化的角点检测算法研究[D]. 黄晓浪.东华理工大学 2019
[2]基于机器学习的液压泵装配质量检测技术研究[D]. 刘康.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]基于机器视觉的铸件表面缺陷检测研究[D]. 许悦.江苏大学 2019
[4]用于遥感图像变化检测的不同深度神经网络研究[D]. 张浪浪.西安电子科技大学 2019
[5]基于卷积神经网络的螺栓松紧状态智能监测方法研究[D]. 赵俊锋.长安大学 2019
[6]基于机器视觉的网片质量检测方法研究[D]. 唐良颖.江苏大学 2019
[7]基于深度学习的输电线路绝缘子故障检测[D]. 邹东霖.华北电力大学(北京) 2019
[8]基于机器学习的轴承滚子表面缺陷视觉检测系统研究与设计[D]. 陈志鸿.华南理工大学 2019
[9]基于机器视觉的装配线防错检测技术研究[D]. 杜瑞.合肥工业大学 2018
[10]基于卷积神经网络图像分类优化算法的研究与验证[D]. 石琪.北京交通大学 2017
本文编号：3324280
【文章来源】：江苏大学江苏省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
自动化线夹装配生产线
江苏大学硕士学位论文31.2国内外研究现状1.2.1工件装配质量检测研究现状工件装配是指机械零部件按照一定技术规范和工艺进行组装的过程，由于装配过程中需要的零件种类丰富且尺寸大孝装配方式各异，因此极易出现漏装、错装等问题[2]。大部分情况下，装配是自动化生产线的最后一道工序，对装配质量检测是确保产品合格的重要保证。因此对工件装配质量的高效率检测是企业亟待解决的问题。如图1.2所示为线夹装配流程图。图1.2线夹装配流程Fig1.2Clampassemblyprocess当前，国内外学者在工件装配检测方面已有很多的研究。Sainbuyan等人提出一种基于视觉的高尔夫球杆头组装检测系统，以节省球杆头生产时间，采用双目视觉采集生产过程中打击面板的俯视图以及铸件主体俯视图和侧视图图像，通过模板匹配获取铸件主体的三维空间位置以及打击面板的插入深度，从而判断球杆头组件是否满足规范，并通过双目视觉的技术，大大提高装配过程的准确性和效率[3]。意大利萨莱诺大学的L.Angrisani基于机器视觉技术研制可自动测量汽车密封垫片的检测系统，与传统的接触式测量方法相比较，这种方法避免了在测量过程中的划伤现象，可应用于密封垫片的多种参数测量，并且对工件尺寸改变的情况具有很好的适应性[4]。斯洛文尼亚卢布尔雅那大学的F.Lahajnar针对柴油机的柴油过滤器的装配过程，采集过滤器的图像后，运用KLT变换进行特征提取并进行分类，实现了过滤器零件的在线检测[5]。
江苏大学硕士学位论文7图1.3总体研究方案流程图Fig1.3Flowchartoftheentireresearchscheme根据以上流程图，论文的主要研究内容为以下三点：（1）硬件平台是搭建整个检测系统的基础，关键器件选型以及合理打光方式直接影响图像采集的质量。通过对器件重要参数进行了分析，选择合适的器件完成硬件平台搭建，进一步完善装配生产线，提高系统的检测精度和效率。（2）基于卷积神经网络的防错检测，首先构建数据集训练网络模型。根据模型训练结果，不断调整网络参数并对网络结构进行改进，构建鲁棒性强和精度高的卷积神经网络模型，从而实现装配系统的自我学习并提高生产线的智能化水平。（3）线夹螺栓连接紧度检测是线夹装配质量检测的另一个关键指标。通过非接触式检测方法，测量螺栓伸出量长度从而保证其连接紧度。在防错检测基础上，采用图像分割、角点提取等传统图像处理方法，进一步完成线夹装配检测。本文的具体章节安排如下：第一章为绪论。首先分析研究背景并介绍课题来源，然后对工件装配质量检测及基于CNN图像识别的研究现状等进行研究与分析，最后分别介绍论文的研究目的和主要研究内容。
【参考文献】：
期刊论文
[1]血管造影图像分割方法研究的现状与进展[J]. 杨泽鹏,李娜,张保昌,吴宗翰,杨俊,周寿军. 生物医学工程研究. 2020(01)
[2]基于机器视觉和深度神经网络的零件装配检测[J]. 魏中雨,黄海松,姚立国. 组合机床与自动化加工技术. 2020(03)
[3]基于多尺度特征融合的单目图像深度估计[J]. 王泉德,张松涛. 华中科技大学学报(自然科学版). 2020(05)
[4]基于图像处理的红枣分级检测方法设计[J]. GANBOLD OTGONTSETSEG,于鸿彬,李志鹏,邵宏宇. 安徽农业科学. 2020(05)
[5]基于CNN的小麦籽粒完整性图像检测系统[J]. 祝诗平,卓佳鑫,黄华,李光林. 农业机械学报. 2020(05)
[6]基于卷积神经网络的人脸关键点检测算法设计[J]. 石高辉,陈晓荣,刘亚茹,戴星宇,池笑宇,李恒. 电子测量技术. 2019(24)
[7]基于迁移学习的卷积神经网络玉米病害图像识别[J]. 许景辉,邵明烨,王一琛,韩文霆. 农业机械学报. 2020(02)
[8]基于改进卷积神经网络的滚动轴承故障诊断[J]. 蒙志强,董绍江,潘雪娇,吴文亮,贺坤,梁天,赵兴新. 组合机床与自动化加工技术. 2020(02)
[9]基于改进卷积神经网络与集成学习的人脸识别算法[J]. 柯鹏飞,蔡茂国,吴涛. 计算机工程. 2020(02)
[10]基于卷积神经网络特征融合的人脸识别算法[J]. 王卫民,唐洋,张健,张轶秋. 计算机与数字工程. 2020(01)
博士论文
[1]基于计算机视觉的高铁接触网支持装置零部件分类提取与缺陷检测[D]. 韩烨.西南交通大学 2019
硕士论文
[1]基于灰度变化的角点检测算法研究[D]. 黄晓浪.东华理工大学 2019
[2]基于机器学习的液压泵装配质量检测技术研究[D]. 刘康.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]基于机器视觉的铸件表面缺陷检测研究[D]. 许悦.江苏大学 2019
[4]用于遥感图像变化检测的不同深度神经网络研究[D]. 张浪浪.西安电子科技大学 2019
[5]基于卷积神经网络的螺栓松紧状态智能监测方法研究[D]. 赵俊锋.长安大学 2019
[6]基于机器视觉的网片质量检测方法研究[D]. 唐良颖.江苏大学 2019
[7]基于深度学习的输电线路绝缘子故障检测[D]. 邹东霖.华北电力大学(北京) 2019
[8]基于机器学习的轴承滚子表面缺陷视觉检测系统研究与设计[D]. 陈志鸿.华南理工大学 2019
[9]基于机器视觉的装配线防错检测技术研究[D]. 杜瑞.合肥工业大学 2018
[10]基于卷积神经网络图像分类优化算法的研究与验证[D]. 石琪.北京交通大学 2017
本文编号：3324280
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3324280.html
最近更新
教材专著
