閥門是重要的流體系統(tǒng)控制元件之一。隨著工業(yè)4.0的提出,國內(nèi)智能化工業(yè)生產(chǎn)發(fā)展迅猛,閥門生產(chǎn)裝配過程開始朝柔性化轉(zhuǎn)變。目前國內(nèi)閥門生產(chǎn)裝配過程中多以機(jī)械臂示教編碼的方式完成零件抓取的動(dòng)作,裝配種類單一,無法快速適應(yīng)多種類零件同時(shí)進(jìn)行組裝的任務(wù)。而傳統(tǒng)的圖像識(shí)別檢測方式受背景、遮擋以及光照等因素影響,難以保證機(jī)械臂抓取的魯棒性,同時(shí)也無法解決零件擺放不固定以及多種類零件混合擺放的問題,在裝配過程中易出現(xiàn)錯(cuò)裝、漏裝等問題,進(jìn)而難以滿足閥門柔性裝配多樣化的需求。近年來,隨著計(jì)算機(jī)硬件性能的大幅提升,深度學(xué)習(xí)領(lǐng)域的目標(biāo)檢測方法成功的應(yīng)用到行人和車輛檢測以及無人駕駛等場景中,相較于之前的檢測方式,使用深度學(xué)習(xí)模型能夠更好的適應(yīng)目標(biāo)物體位姿變化、光照變換、多物體遮擋等因素影響。本文針對(duì)閥門裝配以上問題進(jìn)行研究并設(shè)計(jì)出一個(gè)智能抓取系統(tǒng),實(shí)現(xiàn)了在多零件混合不固定擺放的條件下,按照系統(tǒng)的三維動(dòng)畫裝配順序,依次抓取相應(yīng)的零件,輔助裝配人員完成閥門的裝配。具體內(nèi)容如下:（1）深入研究機(jī)械臂抓取系統(tǒng)的基礎(chǔ)理論,總結(jié)了機(jī)械臂抓取系統(tǒng)中物體檢測以及抓取位置檢測的常用方法,為后文目標(biāo)檢測與傳統(tǒng)抓取算法結(jié)合做鋪墊。（... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：106 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

RGB直方圖作為初始數(shù)據(jù)特征訓(xùn)練模型[20]

DPM特征定義[31]

LSVRC-2012（ImageNetLargeScaleVisualRecognitionChallenge）比賽中通過其變式以15.3％的top-5錯(cuò)誤率勝出。該模型針對(duì)LeNet-5模型做出改進(jìn)，將激活函數(shù)更換為梯度下降速度更快的ReLU函數(shù)，并且避免了常見的激活函數(shù)會(huì)出現(xiàn)梯度消失的問題。為了降低過擬合問題的出現(xiàn)，首先將池化層做出改進(jìn)，通過重疊池化方法將具有相同內(nèi)核的輸出進(jìn)行匯總，再用使用Dropout技術(shù)防止神經(jīng)元之間相互適應(yīng)，通過概率方式將隱層輸出位置置零，并使用雙GPU進(jìn)行并行計(jì)算，極大提高訓(xùn)練速度。這些策略都為后來的模型改進(jìn)提供了優(yōu)秀的思路與方法。圖1-3Alex網(wǎng)絡(luò)結(jié)構(gòu)[34]隨著大數(shù)據(jù)時(shí)代到臨，圖像處理實(shí)時(shí)性的要求越來越嚴(yán)苛，DPM模型已經(jīng)不能很好滿足物體實(shí)時(shí)監(jiān)測的需求。Liu等人[35]將物體檢測方法進(jìn)行總結(jié)，將相關(guān)的模型設(shè)計(jì)劃分成兩類，一類是Two-stage方法，先利用深層網(wǎng)絡(luò)提取相關(guān)候選區(qū)域，再利用常用線性分類器進(jìn)行分類，這種方法定位精度高但速度慢且誤報(bào)高。另一類是One-stage方法，直接通過輸入數(shù)據(jù)獲得物體類別以及定位框，其優(yōu)點(diǎn)比Two-stage方法更快，能夠較好的避免背景錯(cuò)誤信息，但是定位精度低且在物體遮擋和小物體檢測問題上效果不好。Two-stage架構(gòu)在2014年由RossGirshick等人首次提出[36]，其方法是將深度學(xué)習(xí)應(yīng)用到物體檢測領(lǐng)域，提出具有候選區(qū)域（RegionProposal）的卷積神經(jīng)網(wǎng)絡(luò)R-CNN模型，通過選擇性搜索（selectivesearch）和邊界框(edgeboxes)方法[41]產(chǎn)生可相互重疊包含的形狀大小不同的1000-2000個(gè)候選框，然后利用傳統(tǒng)的SVM對(duì)網(wǎng)絡(luò)深層特征進(jìn)行分類，最后通過非極大值抑制方法選取置信度較高的候選框，

【參考文獻(xiàn)】：
期刊論文
[1]基于三級(jí)卷積神經(jīng)網(wǎng)絡(luò)的物體抓取檢測[J]. 喻群超,尚偉偉,張馳.  機(jī)器人. 2018(05)
[2]SolidWorks軟件在工程制圖教學(xué)中的應(yīng)用分析[J]. 周川,吳鐘.  信息與電腦(理論版). 2017(17)
[3]反應(yīng)堆專設(shè)安全系統(tǒng)閥門故障分析[J]. 王金濤,陳糾,譚術(shù)洋,趙雪岑,關(guān)莉.  閥門. 2015(04)
[4]我國工業(yè)機(jī)器人技術(shù)現(xiàn)狀與產(chǎn)業(yè)化發(fā)展戰(zhàn)略[J]. 王田苗,陶永.  機(jī)械工程學(xué)報(bào). 2014(09)
[5]波音737-700空調(diào)組件失效排故分析[J]. 李揚(yáng).  航空維修與工程. 2013(03)
[6]上下料工業(yè)機(jī)器人結(jié)構(gòu)設(shè)計(jì)及仿真研究[J]. 黃晨華,毛桂生.  機(jī)械設(shè)計(jì)與制造. 2013(03)
[7]面向裝配的微小型零件視覺檢測技術(shù)[J]. 程朋樂.  電子測量與儀器學(xué)報(bào). 2013(02)
[8]閥門裝配車間的設(shè)施規(guī)劃與仿真[J]. 史文浩,葉忻泉,趙燕偉,章金紅.  中國制造業(yè)信息化. 2012(17)
[9]飛機(jī)氣體大流量電控活門測試系統(tǒng)的設(shè)計(jì)[J]. 李躍東,程明學(xué).  液壓與氣動(dòng). 2011(01)
[10]采用標(biāo)準(zhǔn)關(guān)節(jié)機(jī)器人系統(tǒng)對(duì)飛機(jī)貨艙門結(jié)構(gòu)的自動(dòng)鉆鉚[J]. 鄧鋒.  航空制造技術(shù). 2010(19)

博士論文
[1]基于Kernel的機(jī)器學(xué)習(xí)在建模與分類問題的應(yīng)用研究[D]. 范玉剛.浙江大學(xué) 2006

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器人抓取位姿自主檢測算法研究[D]. 周彪.華中科技大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器人自動(dòng)抓取規(guī)劃研究[D]. 李傳浩.哈爾濱工業(yè)大學(xué) 2018
[3]基于改進(jìn)粒子群算法的閥門柔性裝配線設(shè)計(jì)[D]. 杜澤.哈爾濱工業(yè)大學(xué) 2016



本文編號(hào)：3561462