【摘要】：隨著我國汽車工業(yè)的迅猛發(fā)展,汽車沖壓件的需求與日俱增。汽車沖壓件是車身的基本構成,對表面品質要求較高。所以能否生產(chǎn)高質量的沖壓件關系到整車的質量。在產(chǎn)品早期設計中,傳統(tǒng)方法無法實現(xiàn)實時預測產(chǎn)品缺陷,而這就使得產(chǎn)品在后續(xù)設計和加工中出現(xiàn)缺陷的概率猛增。而深度學習的方法卻可以在產(chǎn)品早期設計成形性分析中實現(xiàn)對產(chǎn)品缺陷實時預測,從而可以真正做到降低產(chǎn)品缺陷的概率。在深度學習中,由于卷積神經(jīng)網(wǎng)絡(CNN)具有類似人腦的視覺處理機制和無需進行復雜的圖像前期預處理的特點,所以在目標檢測和模式分類領域中有很大的性能優(yōu)勢。針對產(chǎn)品早期設計成形性分析,本文提出了一種基于Faster R-CNN的汽車沖壓件缺陷實時預測的方法。目前國內外并沒有關于汽車沖壓件缺陷預測的公開數(shù)據(jù)集,所以本文首先構造沖壓件數(shù)據(jù)集,數(shù)據(jù)集主要包括KMAS/One-step計算的沖壓件厚度云圖,沖壓件高斯曲率云圖和利用厚度云圖生成的標簽文件三部分,各計5985張。使用沖壓件高斯曲率云圖和標簽文件作為Faster R-CNN的訓練集,驗證集和測試集。利用數(shù)據(jù)集對文獻中的模型完成訓練和測試,測試結果表明Faster R-CNN對沖壓件缺陷預測平均準確率均值(mAP)僅為56.2%。針對網(wǎng)絡模型準確率較低,本文選取了ResNet-101作為Faster R-CNN的特征提取網(wǎng)絡,并提出一種改變錨框尺寸的解決方案。最終測試結果表明該方案對汽車沖壓件的缺陷預測平均準確率均值(mAP)達到了67.19%,其中破裂準確率(AP)達到76.12%,褶皺準確率(AP)為61.25%,從而證明了該方案有效的提高了網(wǎng)絡模型的準確率。最后利用訓練好的Faster R-CNN(ResNet-101)模型對視頻中的沖壓件進行了缺陷實時性預測,解決了沖壓件缺陷難以進行實時預測的難題。
【學位授予單位】：大連理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：U466

【參考文獻】

相關期刊論文 前6條

1 黃凱奇;任偉強;譚鐵牛;;圖像物體分類與檢測算法綜述[J];計算機學報;2014年06期

2 韓宗斌;;汽車表面覆蓋件常見沖壓缺陷及處理措施[J];裝備制造技術;2012年08期

3 張煜東;吳樂南;王水花;;專家系統(tǒng)發(fā)展綜述[J];計算機工程與應用;2010年19期

4 江敦清;;淺談機械加工工藝對零件加工精度的影響[J];黑龍江科技信息;2010年16期

5 姚洪華;;我國汽車沖壓件的技術現(xiàn)狀與發(fā)展趨勢研究[J];上海汽車;2010年02期

6 王昶;何玉林;胡亞民;許南紹;;轎車車身覆蓋件沖壓模具工藝補充面設計與應用[J];鍛壓技術;2006年05期

相關博士學位論文 前2條

1 張健偉;汽車覆蓋件沖壓成形缺陷的仿真分析方法研究[D];大連理工大學;2014年

2 王金武;汽車覆蓋件沖壓成形缺陷的精細分析與仿真優(yōu)化方法研究[D];吉林大學;2010年

相關碩士學位論文 前2條

1 顏偉鑫;深度學習及其在工件缺陷自動檢測中的應用研究[D];華南理工大學;2016年

2 姜清偉;基于CAE仿真的汽車覆蓋件表面柔軟缺陷分析[D];大連理工大學;2011年

，

本文編號：2651121