智能機(jī)器人在汽車(chē)生產(chǎn)制造中有著重要意義,準(zhǔn)確地識(shí)別抓取任務(wù)中的目標(biāo)是基于視覺(jué)引導(dǎo)的汽車(chē)車(chē)身沖壓件抓取系統(tǒng)的基礎(chǔ)。針對(duì)傳統(tǒng)工件識(shí)別算法人工提取特征困難、通用性差、識(shí)別率不高且易受環(huán)境因素影響等問(wèn)題,首先采用深度學(xué)習(xí)SSD網(wǎng)絡(luò)模型對(duì)10類(lèi)汽車(chē)車(chē)身沖壓件進(jìn)行識(shí)別。在此基礎(chǔ)上,為了提高工件識(shí)別準(zhǔn)確率,改善工件相互遮擋情況下識(shí)別差的問(wèn)題,提出一種改進(jìn)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(shí)驗(yàn)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(píng)估集上的平均準(zhǔn)確率均值m AP為92. 3%,改進(jìn)后的SSD網(wǎng)絡(luò)檢測(cè)的平均準(zhǔn)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(jìn)的SSD模型具有更高的識(shí)別準(zhǔn)確率、更好的遮擋識(shí)別效果以及更強(qiáng)的泛化性能。 

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

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

數(shù)據(jù)集:10類(lèi)汽車(chē)車(chē)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(jìn)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(kuò)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(kuò)大卷積的視野，把FC6和FC7兩個(gè)全連接層換成了兩個(gè)帶有擴(kuò)展卷積的卷積網(wǎng)絡(luò)層Conv6和Conv7，并除去隨機(jī)失活層和FC8層，添加一系列卷積層以形成整個(gè)模型的框架。2.1.2 先驗(yàn)框設(shè)置

特征圖檢測(cè)過(guò)程如圖3所示。對(duì)得到的特征圖進(jìn)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(gè)特征圖作為檢測(cè)所用的特征圖，并分別與兩個(gè)不同的3×3的卷積核卷積，一個(gè)輸出分類(lèi)用的置信度，因?yàn)橐还灿?0種工件，加上背景類(lèi)別，所以每個(gè)默認(rèn)框生成11個(gè)類(lèi)別置信度，其中有一個(gè)置信度為背景類(lèi)別的置信度;一個(gè)輸出回歸用的目標(biāo)邊界框位置，每個(gè)默認(rèn)框生成4個(gè)坐標(biāo)值(x,y,w,h)，分別表示目標(biāo)邊界框的中心坐標(biāo)以及寬高。對(duì)于每個(gè)預(yù)測(cè)框，首先基于類(lèi)別置信度確定其類(lèi)別和置信度值，并過(guò)濾屬于背景的預(yù)測(cè)框。然后根據(jù)置信度閾值過(guò)濾掉具有較低閾值的預(yù)測(cè)框。解碼留下的預(yù)測(cè)框并根據(jù)先驗(yàn)框得到其真實(shí)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(gè)預(yù)測(cè)框。最后，采用非極大值抑制(non-maxinum suppression,NMS)算法過(guò)濾具有大重疊的預(yù)測(cè)框，剩下的預(yù)測(cè)框就是檢測(cè)結(jié)果。2.2 改進(jìn)的SSD工件識(shí)別模型

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)型SSD算法的目標(biāo)車(chē)輛檢測(cè)研究[J]. 陳冰曲,鄧濤.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2019(01)
[2]自然環(huán)境下多類(lèi)水果采摘目標(biāo)識(shí)別的通用改進(jìn)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(bào). 2018(16)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的工件識(shí)別算法[J]. 徐一丁,杜慧敏,毛智禮,張麗果,顧文寧.  組合機(jī)床與自動(dòng)化加工技術(shù). 2018(04)
[4]基于機(jī)器視覺(jué)的工件定位和識(shí)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(shí)別研究[J]. 吳益紅,許鋼,江娟娟,畢運(yùn)鋒.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2016(01)
[6]基于SVM的機(jī)器人工件識(shí)別[J]. 龍曉林,蔣靜坪.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2005(02)

碩士論文
[1]基于機(jī)器視覺(jué)的工業(yè)機(jī)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(jī)器人視覺(jué)的多類(lèi)型工件識(shí)別與定位問(wèn)題研究[D]. 馬庭田.南京航空航天大學(xué) 2018
[3]基于深度相機(jī)的場(chǎng)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(jué)的工件定位與機(jī)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(jué)的機(jī)器人自動(dòng)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(shí)別方法研究[D]. 韓翀蛟.大連理工大學(xué) 2014



本文編號(hào)：2930090