智能制造領(lǐng)域中對(duì)機(jī)器視覺技術(shù)的研究和發(fā)展由來(lái)已久,并且已經(jīng)具有了相當(dāng)大體系和規(guī)模的落地項(xiàng)目。但是傳統(tǒng)機(jī)器視覺技術(shù)性能有限,在大規(guī)模的圖像識(shí)別,高復(fù)雜度的目標(biāo)檢測(cè)、圖像分割等方面無(wú)法達(dá)到理想的效果。深度學(xué)習(xí)的出現(xiàn)從根本上解決了傳統(tǒng)算法的性能問(wèn)題,無(wú)論在圖像處理還是在自然語(yǔ)言處理等領(lǐng)域都打破了傳統(tǒng)算法的性能瓶頸。但是深度學(xué)習(xí)的高性能依賴于大量的數(shù)據(jù)集和更深層的模型結(jié)構(gòu),導(dǎo)致模型參數(shù)數(shù)量過(guò)多,計(jì)算量過(guò)大,對(duì)硬件設(shè)備的性能具有極高依賴性。在實(shí)際的工業(yè)生產(chǎn)領(lǐng)域,大部分的機(jī)械設(shè)備屬于嵌入設(shè)備或移動(dòng)設(shè)備,其內(nèi)存容量較小,CPU計(jì)算能力有限,難以滿足深度學(xué)習(xí)模型的計(jì)算需求。如何使深度學(xué)習(xí)模型能在嵌入式設(shè)備中順利運(yùn)行,并滿足工業(yè)制造中的實(shí)時(shí)性要求成為當(dāng)前的研究熱點(diǎn),被稱為模型的“輕量化”。工業(yè)界深度學(xué)習(xí)的應(yīng)用目前正處于起步階段。本課題從深度學(xué)習(xí)最新成果出發(fā),以工業(yè)制造領(lǐng)域的機(jī)械零件識(shí)別為研究對(duì)象,從原始數(shù)據(jù)的采集、數(shù)據(jù)集的預(yù)處理和構(gòu)成、模型的輕量化改進(jìn)三個(gè)方面進(jìn)行研究,探索了機(jī)器視覺中深度學(xué)習(xí)的應(yīng)用,并在自主采集的100類零件數(shù)據(jù)集上實(shí)現(xiàn)了98.81%的準(zhǔn)確率。文章的主要內(nèi)容有:1、針對(duì)工業(yè)制造領(lǐng)域的常... 

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究意義
    1.2 研究現(xiàn)狀
        1.2.1 機(jī)器視覺研究現(xiàn)狀
        1.2.2 圖像識(shí)別研究現(xiàn)狀
    1.3 本文主要研究
    1.4 論文的結(jié)構(gòu)
第2章 零件圖像采集系統(tǒng)設(shè)計(jì)
    2.1 采集及預(yù)處理流程
    2.2 多角度采集系統(tǒng)設(shè)計(jì)
        2.2.1 照明系統(tǒng)設(shè)置
        2.2.2 采集框架設(shè)置
    2.3 采集數(shù)據(jù)示例
    2.4 本章小結(jié)
第3章 零件定位裁剪和數(shù)據(jù)集構(gòu)成
    3.1 圖像平滑和邊緣檢測(cè)
        3.1.1 圖像平滑
        3.1.2 邊緣檢測(cè)
    3.2 基于參數(shù)循環(huán)的零件定位
    3.3 數(shù)據(jù)集增強(qiáng)
    3.4 數(shù)據(jù)有效性驗(yàn)證
    3.5 本章小結(jié)
第4章 FD-Densenet及其對(duì)零件的識(shí)別
    4.1 輕量化模型分析
    4.2 從Densenet到 FD-Densenet
        4.2.1 Densenet模型簡(jiǎn)介
        4.2.2 FD-Densenet
    4.3 FD-Densenet與 Densenet實(shí)驗(yàn)對(duì)比
    4.4 FD-Densenet與其他輕量化模型的對(duì)比
    4.5 本章小節(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于圖像處理技術(shù)的軍事目標(biāo)識(shí)別方法綜述[J]. 王偉男,周亮.  電腦與信息技術(shù). 2020(01)
[2]基于激光跟蹤儀和機(jī)器視覺的飛機(jī)翼身對(duì)接裝配偏差動(dòng)態(tài)綜合修正[J]. 朱永國(guó),張文博,鄧正平,劉春鋒.  機(jī)械工程學(xué)報(bào). 2019(24)
[3]基于機(jī)器視覺的機(jī)器人智能采摘實(shí)驗(yàn)平臺(tái)開發(fā)[J]. 徐雪峰,黃余.  中國(guó)農(nóng)機(jī)化學(xué)報(bào). 2019(12)
[4]基于機(jī)器視覺的玉米幼苗葉面積檢測(cè)裝置設(shè)計(jì)及試驗(yàn)[J]. 付豪,萬(wàn)鵬,施家偉,楊萬(wàn)能.  華中農(nóng)業(yè)大學(xué)學(xué)報(bào). 2020(01)
[5]生成對(duì)抗網(wǎng)絡(luò)GAN綜述[J]. 梁俊杰,韋艦晶,蔣正鋒.  計(jì)算機(jī)科學(xué)與探索. 2020(01)
[6]光學(xué)遙感圖像目標(biāo)檢測(cè)技術(shù)綜述[J]. 李曉斌,江碧濤,楊淵博,傅雨澤,岳文振.  航天返回與遙感. 2019(04)
[7]面向機(jī)柜表面缺陷檢測(cè)的不均勻光照和低亮度圖像增強(qiáng)方法[J]. 王偉江,彭業(yè)萍,曹廣忠,郭小勤.  儀器儀表學(xué)報(bào). 2019(08)
[8]輕量化卷積神經(jīng)網(wǎng)絡(luò)技術(shù)研究[J]. 畢鵬程,羅健欣,陳衛(wèi)衛(wèi).  計(jì)算機(jī)工程與應(yīng)用. 2019(16)
[9]機(jī)器視覺技術(shù)在農(nóng)業(yè)生產(chǎn)智能化中的應(yīng)用綜述[J]. 仇裕淇,黃振楠,阮昭,林思浩.  機(jī)械研究與應(yīng)用. 2019(02)
[10]聚合CNN特征的遙感圖像檢索[J]. 葛蕓,江順亮,葉發(fā)茂,姜昌龍,陳英,唐祎玲.  國(guó)土資源遙感. 2019(01)



本文編號(hào)：3657658