基于深度學(xué)習(xí)與機(jī)器視覺(jué)的零件檢測(cè)系統(tǒng)的研究與實(shí)現(xiàn)
發(fā)布時(shí)間:2022-08-23 12:00
當(dāng)前,隨著計(jì)算機(jī)視覺(jué)技術(shù)的不斷進(jìn)步,無(wú)人駕駛、行為識(shí)別、智慧城市、智能生產(chǎn)等相關(guān)技術(shù)的研究和應(yīng)用已經(jīng)廣泛開(kāi)展,并取得豐富的成果。目標(biāo)檢測(cè)是這些應(yīng)用的關(guān)鍵技術(shù),充分利用該技術(shù)的優(yōu)勢(shì)可以有效減少對(duì)人力的消耗,具有重要的現(xiàn)實(shí)和經(jīng)濟(jì)意義,F(xiàn)在絕大多數(shù)的機(jī)械工廠在零件的分揀過(guò)程中依然依賴人工分揀,效率相對(duì)較低,生產(chǎn)車間的工人在對(duì)一些形狀大小相似零件的判別上容易出錯(cuò),如何通過(guò)有效的可區(qū)分?jǐn)?shù)據(jù),例如輪廓,關(guān)鍵點(diǎn),尺寸等,完成零件在工盤上的自動(dòng)識(shí)別,是提高識(shí)別作業(yè)效率的一個(gè)難點(diǎn)。完全依賴人工識(shí)別,主觀性強(qiáng)且工作量大,而且對(duì)于工人的技能熟練度有較高要求,新員工在工作初期很容易產(chǎn)生誤檢,所以設(shè)計(jì)一款可以輔助工人識(shí)別工件,并對(duì)一些難以區(qū)分的工件給出相似度評(píng)價(jià)以及尺寸信息的系統(tǒng)是具有實(shí)際意義的。經(jīng)過(guò)實(shí)地調(diào)研當(dāng)?shù)氐牧慵a(chǎn)加工企業(yè),在詳細(xì)分析實(shí)際需求后,本文研究并實(shí)現(xiàn)了一種基于深度學(xué)習(xí)與機(jī)器視覺(jué)算法相結(jié)合系統(tǒng),提出使用基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法,針對(duì)工業(yè)零件的數(shù)據(jù)特性,通過(guò)調(diào)整現(xiàn)有的Mask-RCNN網(wǎng)絡(luò)結(jié)構(gòu),提高了目標(biāo)識(shí)別的準(zhǔn)確率,并提出使用mask分支的輸出信息進(jìn)行信息提取與加工,結(jié)合多種邊緣檢測(cè)算法最終測(cè)...
【文章頁(yè)數(shù)】:52 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
abstract
第一章 緒論
1.1 研究背景及意義
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.3 本文研究?jī)?nèi)容
1.4 論文組織結(jié)構(gòu)
第二章 深度學(xué)習(xí)相關(guān)工作和技術(shù)
2.1 引言
2.2 深度學(xué)習(xí)算法概述
2.2.1 深度前饋網(wǎng)絡(luò)
2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
2.2.3 卷積神經(jīng)網(wǎng)絡(luò)特征圖可視化
2.3 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法
2.3.1 不同目標(biāo)檢測(cè)任務(wù)的特點(diǎn)和結(jié)構(gòu)
2.3.2 實(shí)例分割的基本原理
2.4 本章小結(jié)
第三章 實(shí)例分割算法與尺寸測(cè)量算法的設(shè)計(jì)
3.1 引言
3.2 數(shù)據(jù)獲取與分析
3.3 實(shí)例分割算法框架
3.3.1 算法思想
3.3.2 特征提取模塊
3.3.3 區(qū)域候選網(wǎng)絡(luò)模塊RPN
3.3.4 區(qū)域特征聚集方式
3.3.5 目標(biāo)檢測(cè)網(wǎng)絡(luò)構(gòu)成
3.4 基于機(jī)器視覺(jué)的尺寸測(cè)量算法
3.5 實(shí)驗(yàn)設(shè)置和結(jié)果分析
3.5.1 模型訓(xùn)練和各種參數(shù)設(shè)置
3.5.2 實(shí)驗(yàn)結(jié)果與分析
3.6 本章小結(jié)
第四章 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
4.1 引言
4.2 需求分析
4.3 軟硬件環(huán)境
4.4 系統(tǒng)框架結(jié)構(gòu)
4.5 數(shù)據(jù)庫(kù)設(shè)計(jì)
4.6 系統(tǒng)詳細(xì)設(shè)計(jì)與實(shí)現(xiàn)
4.6.1 系統(tǒng)界面設(shè)計(jì)
4.6.2 系統(tǒng)測(cè)試
4.6.3 功能測(cè)試
4.7 本章小結(jié)
第五章 總結(jié)與展望
5.1 總結(jié)
5.2 展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)介
本文編號(hào):3677727
【文章頁(yè)數(shù)】:52 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
abstract
第一章 緒論
1.1 研究背景及意義
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.3 本文研究?jī)?nèi)容
1.4 論文組織結(jié)構(gòu)
第二章 深度學(xué)習(xí)相關(guān)工作和技術(shù)
2.1 引言
2.2 深度學(xué)習(xí)算法概述
2.2.1 深度前饋網(wǎng)絡(luò)
2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
2.2.3 卷積神經(jīng)網(wǎng)絡(luò)特征圖可視化
2.3 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法
2.3.1 不同目標(biāo)檢測(cè)任務(wù)的特點(diǎn)和結(jié)構(gòu)
2.3.2 實(shí)例分割的基本原理
2.4 本章小結(jié)
第三章 實(shí)例分割算法與尺寸測(cè)量算法的設(shè)計(jì)
3.1 引言
3.2 數(shù)據(jù)獲取與分析
3.3 實(shí)例分割算法框架
3.3.1 算法思想
3.3.2 特征提取模塊
3.3.3 區(qū)域候選網(wǎng)絡(luò)模塊RPN
3.3.4 區(qū)域特征聚集方式
3.3.5 目標(biāo)檢測(cè)網(wǎng)絡(luò)構(gòu)成
3.4 基于機(jī)器視覺(jué)的尺寸測(cè)量算法
3.5 實(shí)驗(yàn)設(shè)置和結(jié)果分析
3.5.1 模型訓(xùn)練和各種參數(shù)設(shè)置
3.5.2 實(shí)驗(yàn)結(jié)果與分析
3.6 本章小結(jié)
第四章 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
4.1 引言
4.2 需求分析
4.3 軟硬件環(huán)境
4.4 系統(tǒng)框架結(jié)構(gòu)
4.5 數(shù)據(jù)庫(kù)設(shè)計(jì)
4.6 系統(tǒng)詳細(xì)設(shè)計(jì)與實(shí)現(xiàn)
4.6.1 系統(tǒng)界面設(shè)計(jì)
4.6.2 系統(tǒng)測(cè)試
4.6.3 功能測(cè)試
4.7 本章小結(jié)
第五章 總結(jié)與展望
5.1 總結(jié)
5.2 展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)介
本文編號(hào):3677727
本文鏈接:http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3677727.html
最近更新
教材專著