基于深度学习的零件识别系统设计与研究

发布时间：2022-07-09 19:08

　　智能制造领域中对机器视觉技术的研究和发展由来已久,并且已经具有了相当大体系和规模的落地项目。但是传统机器视觉技术性能有限,在大规模的图像识别,高复杂度的目标检测、图像分割等方面无法达到理想的效果。深度学习的出现从根本上解决了传统算法的性能问题,无论在图像处理还是在自然语言处理等领域都打破了传统算法的性能瓶颈。但是深度学习的高性能依赖于大量的数据集和更深层的模型结构,导致模型参数数量过多,计算量过大,对硬件设备的性能具有极高依赖性。在实际的工业生产领域,大部分的机械设备属于嵌入设备或移动设备,其内存容量较小,CPU计算能力有限,难以满足深度学习模型的计算需求。如何使深度学习模型能在嵌入式设备中顺利运行,并满足工业制造中的实时性要求成为当前的研究热点,被称为模型的“轻量化”。工业界深度学习的应用目前正处于起步阶段。本课题从深度学习最新成果出发,以工业制造领域的机械零件识别为研究对象,从原始数据的采集、数据集的预处理和构成、模型的轻量化改进三个方面进行研究,探索了机器视觉中深度学习的应用,并在自主采集的100类零件数据集上实现了98.81%的准确率。文章的主要内容有:1、针对工业制造领域的常... 

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究意义
    1.2 研究现状
        1.2.1 机器视觉研究现状
        1.2.2 图像识别研究现状
    1.3 本文主要研究
    1.4 论文的结构
第2章 零件图像采集系统设计
    2.1 采集及预处理流程
    2.2 多角度采集系统设计
        2.2.1 照明系统设置
        2.2.2 采集框架设置
    2.3 采集数据示例
    2.4 本章小结
第3章 零件定位裁剪和数据集构成
    3.1 图像平滑和边缘检测
        3.1.1 图像平滑
        3.1.2 边缘检测
    3.2 基于参数循环的零件定位
    3.3 数据集增强
    3.4 数据有效性验证
    3.5 本章小结
第4章 FD-Densenet及其对零件的识别
    4.1 轻量化模型分析
    4.2 从Densenet到 FD-Densenet
        4.2.1 Densenet模型简介
        4.2.2 FD-Densenet
    4.3 FD-Densenet与 Densenet实验对比
    4.4 FD-Densenet与其他轻量化模型的对比
    4.5 本章小节
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读学位期间取得的研究成果
致谢


【参考文献】：
期刊论文
[1]基于图像处理技术的军事目标识别方法综述[J]. 王伟男,周亮.  电脑与信息技术. 2020(01)
[2]基于激光跟踪仪和机器视觉的飞机翼身对接装配偏差动态综合修正[J]. 朱永国,张文博,邓正平,刘春锋.  机械工程学报. 2019(24)
[3]基于机器视觉的机器人智能采摘实验平台开发[J]. 徐雪峰,黄余.  中国农机化学报. 2019(12)
[4]基于机器视觉的玉米幼苗叶面积检测装置设计及试验[J]. 付豪,万鹏,施家伟,杨万能.  华中农业大学学报. 2020(01)
[5]生成对抗网络GAN综述[J]. 梁俊杰,韦舰晶,蒋正锋.  计算机科学与探索. 2020(01)
[6]光学遥感图像目标检测技术综述[J]. 李晓斌,江碧涛,杨渊博,傅雨泽,岳文振.  航天返回与遥感. 2019(04)
[7]面向机柜表面缺陷检测的不均匀光照和低亮度图像增强方法[J]. 王伟江,彭业萍,曹广忠,郭小勤.  仪器仪表学报. 2019(08)
[8]轻量化卷积神经网络技术研究[J]. 毕鹏程,罗健欣,陈卫卫.  计算机工程与应用. 2019(16)
[9]机器视觉技术在农业生产智能化中的应用综述[J]. 仇裕淇,黄振楠,阮昭,林思浩.  机械研究与应用. 2019(02)
[10]聚合CNN特征的遥感图像检索[J]. 葛芸,江顺亮,叶发茂,姜昌龙,陈英,唐祎玲.  国土资源遥感. 2019(01)



本文编号：3657658