当前位置:主页 > 科技论文 > 自动化论文 >

基于卷积神经网络的工件识别

发布时间:2021-11-22 10:03
  工件识别与分类任务是工业生产流程中一项十分常见的工作任务,它能够把不同种类的目标工件进行正确的分类处理,也可以用于分拣出有质量缺陷的工件。现有的零件识别算法基本都是从零件图像中提取一系列特征,再将这些特征提供给简单的机器学习算法,但是人工提取特征不仅工作量巨大,且选取出来的特征不一定是最优的。而卷积神经网络能够实现自动化的图像特征提取,与分类识别过程融为一体,并通过数据实现自我学习。因此本文提出了一种基于卷积神经网络的模式识别算法,实现了零件的识别与分类任务。首先,采集本课题所需的零件图像数据并进行数据增强,然后根据卷积神经网络的组成结构以及设计方法,并结合待分类图像的特点和课题的实际需求,设计了一种结构较为简单的卷积神经网络模型。该卷积神经网络由4个卷积层、3个最大池化层和2个全连接层组成,初步实现了零件分类任务。在应用上述网络结构进行零件分类时,针对某些形状和尺寸相差不大的零件之间容易发生混淆,进而导致分类的准确率不高的问题,本文提出了一种基于边缘检测和最大连通域的目标中心化图像预处理算法,它能够提取图像中目标所在的区域并将其移动到图像的中心位置。本文从理论层面对目标中心化的原理以... 

【文章来源】:天津大学天津市 211工程院校 985工程院校 教育部直属院校

【文章页数】:76 页

【学位级别】:硕士

【部分图文】:

基于卷积神经网络的工件识别


机器视觉工件识别系统示意图(传送带上浅色区域为相机视野范围示意)

零件图,零件图,螺丝,垫片


第2章系统构成与数据准备9以模拟实际工况中工件在传送带上出现的位置和摆放角度都是随机的。每种零件拍摄40次,采集到的原始图像为3120×3120像素的灰度图像,对应零件所处平面视野的实际大小为90mm×90mm,图2-2为每种零件对应的一张图片。图2-2原始零件图片垫片M3*7垫片M3*9垫片M4*9垫片M4*12垫片M4*16垫片M5*10垫片M5*12垫片M5*15螺母M3螺母M4螺母M5螺丝M3*6螺丝M3*8螺丝M3*10螺丝M3*12螺丝M3*16螺丝M3*20螺丝M4*6螺丝M4*10螺丝M4*14螺丝M4*20螺丝M4*25螺丝M4*30螺丝M4*40螺丝M5*10螺丝M5*20螺丝M5*25螺丝M5*30螺丝M5*40

示意图,卷积,过程,示意图


天津大学硕士学位论文12个卷积核会生成一个边长为1NFS+的特征图,n个卷积核最终会输出一个大小为(1)(1)NFNFnSS++的矩阵。与传统神经网络的结构相比,卷积神经网络包括了两个重要的特点:稀疏连接和参数共享。图3-1卷积计算过程示意图1.稀疏连接传统的神经网络使用矩阵乘法来建立输入和输出之间的连接,输入的每一个元素都分别与输出的每一个元素通过矩阵中的一个参数进行连接。而卷积神经网络具有稀疏连接的特性,因为卷积核的大小远远小于输入图像的大校输入图像可能包含上百万个像素点,但是我们可以通过一系列只包含几个或几十个像素的卷积核来检测一些富有含义的特征,如边缘等。这不仅减小了模型需要的存储空间,同时也减少了计算量,提高了运行速度。对于传统神经网络来说,如果输入节点的个数为m,输出节点的个数为n,则计算该层的时间复杂度为O(mn),而对于卷积神经网络来说,如果卷积核的大小为k,输出大小为n,则时间复杂度为O(kn),且在绝大多数情况下,k往往远小于m,因此卷积神经网络的计算量比传统神经网络的计算量小得多。稀疏连接的图形化解释如图3-2所示。(a)图中,x代表网络的输入,s代表网络的输出。对于卷积神经网络,假设卷积核宽度为3,以其中的一个输出单元s3为例,x中影响s3的单元只有x2、x3、x4三个节点;而对于全连接网络,所有的输入都会影响s3。(b)图中可以看出,虽然卷积神经网络的连接是稀疏的,但是对于网络深处的单元,也能够受到输入的大部分甚至全部输入的影响。

【参考文献】:
期刊论文
[1]基于深度卷积神经网络的番茄主要器官分类识别方法[J]. 周云成,许童羽,郑伟,邓寒冰.  农业工程学报. 2017(15)
[2]零件的机器视觉自动识别检测系统[J]. 黄正文,陈宁.  集美大学学报(自然科学版). 2017(02)
[3]基于LabVIEW与BP神经网络的零件识别系统[J]. 何晓阳,徐惠钢,谢启.  仪表技术与传感器. 2017(01)
[4]基于深度学习的工业分拣机器人快速视觉识别与定位算法[J]. 伍锡如,黄国明,孙立宁.  机器人. 2016(06)
[5]基于视觉的零件识别和定位[J]. 司小婷,吴文江,孙一兰.  组合机床与自动化加工技术. 2016(10)
[6]混合KPCA和SVM的机械零件形状识别方法研究[J]. 冯长建,吴斌,罗跃纲.  机械制造与自动化. 2016(04)
[7]基于图像识别的生产线零件分拣系统[J]. 万剑锋,黎洪松.  现代电子技术. 2016(12)
[8]基于深度学习的手绘草图识别[J]. 赵鹏,王斐,刘慧婷,姚晟.  四川大学学报(工程科学版). 2016(03)
[9]基于视觉的焊接工件在线识别与分类算法研究[J]. 李春,李琳,邹焱飚,曾亮华.  价值工程. 2016(04)
[10]基于LBP和SVM的工件图像特征识别研究[J]. 吴益红,许钢,江娟娟,毕运锋.  重庆理工大学学报(自然科学). 2016(01)

硕士论文
[1]基于卷积神经网络的图像识别方法研究[D]. 段萌.郑州大学 2017
[2]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[3]基于机器视觉的机械零件识别技术研究[D]. 郭聿荃.吉林大学 2016
[4]基于机器视觉的工业机器人分拣系统设计[D]. 何泽强.哈尔滨工业大学 2016
[5]基于机器视觉的零件识别和测量系统研究[D]. 邓小峰.南京航空航天大学 2014
[6]机器视觉在零件识别与检测中的应用[D]. 郝洪宪.南京航空航天大学 2008



本文编号:3511463

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3511463.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户fb209***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com