工件識別與分類任務(wù)是工業(yè)生產(chǎn)流程中一項(xiàng)十分常見的工作任務(wù),它能夠把不同種類的目標(biāo)工件進(jìn)行正確的分類處理,也可以用于分揀出有質(zhì)量缺陷的工件�，F(xiàn)有的零件識別算法基本都是從零件圖像中提取一系列特征,再將這些特征提供給簡單的機(jī)器學(xué)習(xí)算法,但是人工提取特征不僅工作量巨大,且選取出來的特征不一定是最優(yōu)的。而卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)自動(dòng)化的圖像特征提取,與分類識別過程融為一體,并通過數(shù)據(jù)實(shí)現(xiàn)自我學(xué)習(xí)。因此本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的模式識別算法,實(shí)現(xiàn)了零件的識別與分類任務(wù)。首先,采集本課題所需的零件圖像數(shù)據(jù)并進(jìn)行數(shù)據(jù)增強(qiáng),然后根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的組成結(jié)構(gòu)以及設(shè)計(jì)方法,并結(jié)合待分類圖像的特點(diǎn)和課題的實(shí)際需求,設(shè)計(jì)了一種結(jié)構(gòu)較為簡單的卷積神經(jīng)網(wǎng)絡(luò)模型。該卷積神經(jīng)網(wǎng)絡(luò)由4個(gè)卷積層、3個(gè)最大池化層和2個(gè)全連接層組成,初步實(shí)現(xiàn)了零件分類任務(wù)。在應(yīng)用上述網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行零件分類時(shí),針對某些形狀和尺寸相差不大的零件之間容易發(fā)生混淆,進(jìn)而導(dǎo)致分類的準(zhǔn)確率不高的問題,本文提出了一種基于邊緣檢測和最大連通域的目標(biāo)中心化圖像預(yù)處理算法,它能夠提取圖像中目標(biāo)所在的區(qū)域并將其移動(dòng)到圖像的中心位置。本文從理論層面對目標(biāo)中心化的原理以... 

【文章來源】：天津大學(xué)天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

機(jī)器視覺工件識別系統(tǒng)示意圖（傳送帶上淺色區(qū)域?yàn)橄鄼C(jī)視野范圍示意）

第2章系統(tǒng)構(gòu)成與數(shù)據(jù)準(zhǔn)備9以模擬實(shí)際工況中工件在傳送帶上出現(xiàn)的位置和擺放角度都是隨機(jī)的。每種零件拍攝40次，采集到的原始圖像為3120×3120像素的灰度圖像，對應(yīng)零件所處平面視野的實(shí)際大小為90mm×90mm，圖2-2為每種零件對應(yīng)的一張圖片。圖2-2原始零件圖片墊片M3*7墊片M3*9墊片M4*9墊片M4*12墊片M4*16墊片M5*10墊片M5*12墊片M5*15螺母M3螺母M4螺母M5螺絲M3*6螺絲M3*8螺絲M3*10螺絲M3*12螺絲M3*16螺絲M3*20螺絲M4*6螺絲M4*10螺絲M4*14螺絲M4*20螺絲M4*25螺絲M4*30螺絲M4*40螺絲M5*10螺絲M5*20螺絲M5*25螺絲M5*30螺絲M5*40

天津大學(xué)碩士學(xué)位論文12個(gè)卷積核會(huì)生成一個(gè)邊長為1NFS+的特征圖，n個(gè)卷積核最終會(huì)輸出一個(gè)大小為(1)(1)NFNFnSS++的矩陣。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)相比，卷積神經(jīng)網(wǎng)絡(luò)包括了兩個(gè)重要的特點(diǎn)：稀疏連接和參數(shù)共享。圖3-1卷積計(jì)算過程示意圖1.稀疏連接傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)使用矩陣乘法來建立輸入和輸出之間的連接，輸入的每一個(gè)元素都分別與輸出的每一個(gè)元素通過矩陣中的一個(gè)參數(shù)進(jìn)行連接。而卷積神經(jīng)網(wǎng)絡(luò)具有稀疏連接的特性，因?yàn)榫矸e核的大小遠(yuǎn)遠(yuǎn)小于輸入圖像的大校輸入圖像可能包含上百萬個(gè)像素點(diǎn)，但是我們可以通過一系列只包含幾個(gè)或幾十個(gè)像素的卷積核來檢測一些富有含義的特征，如邊緣等。這不僅減小了模型需要的存儲空間，同時(shí)也減少了計(jì)算量，提高了運(yùn)行速度。對于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)來說，如果輸入節(jié)點(diǎn)的個(gè)數(shù)為m，輸出節(jié)點(diǎn)的個(gè)數(shù)為n，則計(jì)算該層的時(shí)間復(fù)雜度為O(mn)，而對于卷積神經(jīng)網(wǎng)絡(luò)來說，如果卷積核的大小為k，輸出大小為n，則時(shí)間復(fù)雜度為O(kn)，且在絕大多數(shù)情況下，k往往遠(yuǎn)小于m，因此卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算量比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的計(jì)算量小得多。稀疏連接的圖形化解釋如圖3-2所示。(a)圖中，x代表網(wǎng)絡(luò)的輸入，s代表網(wǎng)絡(luò)的輸出。對于卷積神經(jīng)網(wǎng)絡(luò)，假設(shè)卷積核寬度為3，以其中的一個(gè)輸出單元s3為例，x中影響s3的單元只有x2、x3、x4三個(gè)節(jié)點(diǎn)；而對于全連接網(wǎng)絡(luò)，所有的輸入都會(huì)影響s3。(b)圖中可以看出，雖然卷積神經(jīng)網(wǎng)絡(luò)的連接是稀疏的，但是對于網(wǎng)絡(luò)深處的單元，也能夠受到輸入的大部分甚至全部輸入的影響。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的番茄主要器官分類識別方法[J]. 周云成,許童羽,鄭偉,鄧寒冰.  農(nóng)業(yè)工程學(xué)報(bào). 2017(15)
[2]零件的機(jī)器視覺自動(dòng)識別檢測系統(tǒng)[J]. 黃正文,陳寧.  集美大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[3]基于LabVIEW與BP神經(jīng)網(wǎng)絡(luò)的零件識別系統(tǒng)[J]. 何曉陽,徐惠鋼,謝啟.  儀表技術(shù)與傳感器. 2017(01)
[4]基于深度學(xué)習(xí)的工業(yè)分揀機(jī)器人快速視覺識別與定位算法[J]. 伍錫如,黃國明,孫立寧.  機(jī)器人. 2016(06)
[5]基于視覺的零件識別和定位[J]. 司小婷,吳文江,孫一蘭.  組合機(jī)床與自動(dòng)化加工技術(shù). 2016(10)
[6]混合KPCA和SVM的機(jī)械零件形狀識別方法研究[J]. 馮長建,吳斌,羅躍綱.  機(jī)械制造與自動(dòng)化. 2016(04)
[7]基于圖像識別的生產(chǎn)線零件分揀系統(tǒng)[J]. 萬劍鋒,黎洪松.  現(xiàn)代電子技術(shù). 2016(12)
[8]基于深度學(xué)習(xí)的手繪草圖識別[J]. 趙鵬,王斐,劉慧婷,姚晟.  四川大學(xué)學(xué)報(bào)(工程科學(xué)版). 2016(03)
[9]基于視覺的焊接工件在線識別與分類算法研究[J]. 李春,李琳,鄒焱飚,曾亮華.  價(jià)值工程. 2016(04)
[10]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(yùn)鋒.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2016(01)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別方法研究[D]. 段萌.鄭州大學(xué) 2017
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別[D]. 蔣帥.吉林大學(xué) 2017
[3]基于機(jī)器視覺的機(jī)械零件識別技術(shù)研究[D]. 郭聿荃.吉林大學(xué) 2016
[4]基于機(jī)器視覺的工業(yè)機(jī)器人分揀系統(tǒng)設(shè)計(jì)[D]. 何澤強(qiáng).哈爾濱工業(yè)大學(xué) 2016
[5]基于機(jī)器視覺的零件識別和測量系統(tǒng)研究[D]. 鄧小峰.南京航空航天大學(xué) 2014
[6]機(jī)器視覺在零件識別與檢測中的應(yīng)用[D]. 郝洪憲.南京航空航天大學(xué) 2008



本文編號：3511463