工件識別與分類任務是工業(yè)生產(chǎn)流程中一項十分常見的工作任務,它能夠把不同種類的目標工件進行正確的分類處理,也可以用于分揀出有質量缺陷的工件。現(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器學習算法,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)絡能夠實現(xiàn)自動化的圖像特征提取,與分類識別過程融為一體,并通過數(shù)據(jù)實現(xiàn)自我學習。因此本文提出了一種基于卷積神經(jīng)網(wǎng)絡的模式識別算法,實現(xiàn)了零件的識別與分類任務。首先,采集本課題所需的零件圖像數(shù)據(jù)并進行數(shù)據(jù)增強,然后根據(jù)卷積神經(jīng)網(wǎng)絡的組成結構以及設計方法,并結合待分類圖像的特點和課題的實際需求,設計了一種結構較為簡單的卷積神經(jīng)網(wǎng)絡模型。該卷積神經(jīng)網(wǎng)絡由4個卷積層、3個最大池化層和2個全連接層組成,初步實現(xiàn)了零件分類任務。在應用上述網(wǎng)絡結構進行零件分類時,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,進而導致分類的準確率不高的問題,本文提出了一種基于邊緣檢測和最大連通域的目標中心化圖像預處理算法,它能夠提取圖像中目標所在的區(qū)域并將其移動到圖像的中心位置。本文從理論層面對目標中心化的原理以... 

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

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

機器視覺工件識別系統(tǒng)示意圖（傳送帶上淺色區(qū)域為相機視野范圍示意）

第2章系統(tǒng)構成與數(shù)據(jù)準備9以模擬實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，對應零件所處平面視野的實際大小為90mm×90mm，圖2-2為每種零件對應的一張圖片。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

天津大學碩士學位論文12個卷積核會生成一個邊長為1NFS+的特征圖，n個卷積核最終會輸出一個大小為(1)(1)NFNFnSS++的矩陣。與傳統(tǒng)神經(jīng)網(wǎng)絡的結構相比，卷積神經(jīng)網(wǎng)絡包括了兩個重要的特點：稀疏連接和參數(shù)共享。圖3-1卷積計算過程示意圖1.稀疏連接傳統(tǒng)的神經(jīng)網(wǎng)絡使用矩陣乘法來建立輸入和輸出之間的連接，輸入的每一個元素都分別與輸出的每一個元素通過矩陣中的一個參數(shù)進行連接。而卷積神經(jīng)網(wǎng)絡具有稀疏連接的特性，因為卷積核的大小遠遠小于輸入圖像的大校輸入圖像可能包含上百萬個像素點，但是我們可以通過一系列只包含幾個或幾十個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，同時也減少了計算量，提高了運行速度。對于傳統(tǒng)神經(jīng)網(wǎng)絡來說，如果輸入節(jié)點的個數(shù)為m，輸出節(jié)點的個數(shù)為n，則計算該層的時間復雜度為O(mn)，而對于卷積神經(jīng)網(wǎng)絡來說，如果卷積核的大小為k，輸出大小為n，則時間復雜度為O(kn)，且在絕大多數(shù)情況下，k往往遠小于m，因此卷積神經(jīng)網(wǎng)絡的計算量比傳統(tǒng)神經(jīng)網(wǎng)絡的計算量小得多。稀疏連接的圖形化解釋如圖3-2所示。(a)圖中，x代表網(wǎng)絡的輸入，s代表網(wǎng)絡的輸出。對于卷積神經(jīng)網(wǎng)絡，假設卷積核寬度為3，以其中的一個輸出單元s3為例，x中影響s3的單元只有x2、x3、x4三個節(jié)點；而對于全連接網(wǎng)絡，所有的輸入都會影響s3。(b)圖中可以看出，雖然卷積神經(jīng)網(wǎng)絡的連接是稀疏的，但是對于網(wǎng)絡深處的單元，也能夠受到輸入的大部分甚至全部輸入的影響。

【參考文獻】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡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)工程學報. 2017(15)
[2]零件的機器視覺自動識別檢測系統(tǒng)[J]. 黃正文,陳寧.  集美大學學報(自然科學版). 2017(02)
[3]基于LabVIEW與BP神經(jīng)網(wǎng)絡的零件識別系統(tǒng)[J]. 何曉陽,徐惠鋼,謝啟.  儀表技術與傳感器. 2017(01)
[4]基于深度學習的工業(yè)分揀機器人快速視覺識別與定位算法[J]. 伍錫如,黃國明,孫立寧.  機器人. 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.  組合機床與自動化加工技術. 2016(10)
[6]混合KPCA和SVM的機械零件形狀識別方法研究[J]. 馮長建,吳斌,羅躍綱.  機械制造與自動化. 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. 2016(12)
[8]基于深度學習的手繪草圖識別[J]. 趙鵬,王斐,劉慧婷,姚晟.  四川大學學報(工程科學版). 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,畢運鋒.  重慶理工大學學報(自然科學). 2016(01)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡的圖像識別方法研究[D]. 段萌.鄭州大學 2017
[2]基于卷積神經(jīng)網(wǎng)絡的圖像識別[D]. 蔣帥.吉林大學 2017
[3]基于機器視覺的機械零件識別技術研究[D]. 郭聿荃.吉林大學 2016
[4]基于機器視覺的工業(yè)機器人分揀系統(tǒng)設計[D]. 何澤強.哈爾濱工業(yè)大學 2016
[5]基于機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 2014
[6]機器視覺在零件識別與檢測中的應用[D]. 郝洪憲.南京航空航天大學 2008



本文編號：3511463