智能機器人在汽車生產(chǎn)制造中有著重要意義,準確地識別抓取任務(wù)中的目標是基于視覺引導(dǎo)的汽車車身沖壓件抓取系統(tǒng)的基礎(chǔ)。針對傳統(tǒng)工件識別算法人工提取特征困難、通用性差、識別率不高且易受環(huán)境因素影響等問題,首先采用深度學(xué)習(xí)SSD網(wǎng)絡(luò)模型對10類汽車車身沖壓件進行識別。在此基礎(chǔ)上,為了提高工件識別準確率,改善工件相互遮擋情況下識別差的問題,提出一種改進的SSD算法,引入殘差網(wǎng)絡(luò),采用Resnet-50替換原SSD的基礎(chǔ)網(wǎng)絡(luò)VGG-16。實驗結(jié)果表明:原始的SSD網(wǎng)絡(luò)在自制的工件數(shù)據(jù)集評估集上的平均準確率均值m AP為92. 3%,改進后的SSD網(wǎng)絡(luò)檢測的平均準確率均值m AP為98. 3%,比原始的SSD網(wǎng)絡(luò)提高了6%,基于Resnet-50改進的SSD模型具有更高的識別準確率、更好的遮擋識別效果以及更強的泛化性能。 

【文章來源】：重慶理工大學(xué)學(xué)報(自然科學(xué)). 2020年07期 北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

數(shù)據(jù)集:10類汽車車身沖壓件

原始的SSD模型的整體結(jié)構(gòu)如圖2所示，模型的輸入圖像尺寸為300×300。SSD模型以VGG16為基礎(chǔ)網(wǎng)絡(luò)，進行特征提取。它基于VGG16，但在VGG16的基礎(chǔ)上有所改變，借鑒了DeepLab-LargeFOV，采用了一種Atrous算法，在Conv6層中擴展卷積。SSD模型在不增加參數(shù)與模型復(fù)雜度的情況下以指數(shù)方式擴大卷積的視野，把FC6和FC7兩個全連接層換成了兩個帶有擴展卷積的卷積網(wǎng)絡(luò)層Conv6和Conv7，并除去隨機失活層和FC8層，添加一系列卷積層以形成整個模型的框架。2.1.2 先驗框設(shè)置

特征圖檢測過程如圖3所示。對得到的特征圖進行卷積，將從卷積網(wǎng)絡(luò)中提取得到的Conv4＿3,Conv7,Conv8＿2,Conv9＿2,Conv10＿2,Conv11＿2這6個特征圖作為檢測所用的特征圖，并分別與兩個不同的3×3的卷積核卷積，一個輸出分類用的置信度，因為一共有10種工件，加上背景類別，所以每個默認框生成11個類別置信度，其中有一個置信度為背景類別的置信度;一個輸出回歸用的目標邊界框位置，每個默認框生成4個坐標值(x,y,w,h)，分別表示目標邊界框的中心坐標以及寬高。對于每個預(yù)測框，首先基于類別置信度確定其類別和置信度值，并過濾屬于背景的預(yù)測框。然后根據(jù)置信度閾值過濾掉具有較低閾值的預(yù)測框。解碼留下的預(yù)測框并根據(jù)先驗框得到其真實位置參數(shù)。在解碼之后，根據(jù)置信度降序排列，僅保留Top-k個預(yù)測框。最后，采用非極大值抑制(non-maxinum suppression,NMS)算法過濾具有大重疊的預(yù)測框，剩下的預(yù)測框就是檢測結(jié)果。2.2 改進的SSD工件識別模型

【參考文獻】：
期刊論文
[1]基于改進型SSD算法的目標車輛檢測研究[J]. 陳冰曲,鄧濤.  重慶理工大學(xué)學(xué)報(自然科學(xué)). 2019(01)
[2]自然環(huán)境下多類水果采摘目標識別的通用改進SSD模型[J]. 彭紅星,黃博,邵園園,李澤森,張朝武,陳燕,熊俊濤.  農(nóng)業(yè)工程學(xué)報. 2018(16)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的工件識別算法[J]. 徐一丁,杜慧敏,毛智禮,張麗果,顧文寧.  組合機床與自動化加工技術(shù). 2018(04)
[4]基于機器視覺的工件定位和識別[J]. 陳澤寧,張學(xué)習(xí),彭澤榮,鐘凱宇.  電子科技. 2016(04)
[5]基于LBP和SVM的工件圖像特征識別研究[J]. 吳益紅,許鋼,江娟娟,畢運鋒.  重慶理工大學(xué)學(xué)報(自然科學(xué)). 2016(01)
[6]基于SVM的機器人工件識別[J]. 龍曉林,蔣靜坪.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2005(02)

碩士論文
[1]基于機器視覺的工業(yè)機器人定位抓取技術(shù)的研究[D]. 曾志偉.廣東工業(yè)大學(xué) 2018
[2]基于機器人視覺的多類型工件識別與定位問題研究[D]. 馬庭田.南京航空航天大學(xué) 2018
[3]基于深度相機的場景物體定位與抓取研究[D]. 周逸徉.南京大學(xué) 2017
[4]基于單目視覺的工件定位與機器人抓取技術(shù)研究[D]. 曾鵬.大連理工大學(xué) 2017
[5]基于深度視覺的機器人自動抓取技術(shù)研究[D]. 羅錦聰.華南理工大學(xué) 2016
[6]基于幾何形狀特征的工件識別方法研究[D]. 韓翀蛟.大連理工大學(xué) 2014



本文編號：2930090