论文部分内容阅读
在现代工业生产过程中,许多种类的待加工工件需要按照规定的顺序有序排列,然而受自动化生产过程中多种外界因素的影响,工件的初始排列顺序通常是杂乱无章的,因此指定顺序下的工件排序问题成为一个具有挑战性的研究课题。在串行接口焊接应用领域,导线和接头之间的焊接必须满足规定的顺序要求,来保障工业生产的安全性。具体来说,不同颜色的导线要焊接到不同的接头位置。现有的线缆检测方法取得了一些成果,但是具有以下不足:(1)基于人工检查的导线排序,效率低下,成本代价高昂,造成了大量资源的浪费;(2)高强度的人工排查方式容易造成工件的漏判和误判,不能满足当前工业自动化生产的要求;(3)已有的基于图像的线缆检测算法缺乏通用性,检测结果的鲁棒性并不理想。针对以上问题,本文以工业生产中的三色线缆作为研究对象,围绕计算机视觉领域的视觉词袋模型和深度学习模型,对三色线缆顺序检测技术展开研究。具体内容如下:(1)针对目前一些工业生产中线缆的顺序检测费时费力,效率不高的问题,本文对线缆的顺序检测展开研究。通过阅读大量文献,首先确定以简单易行且效果较好的词袋模型(Bag of Words,BOW)为主要切入点展开研究,本文将增加对三色线缆图像的预处理部分,即通过目标感兴趣区域定位(Region of Interest Location,ROIL)方法可以更好的表示线缆的特征。其次,研究了目标感兴趣区域定位方法在不同阈值下和不同视觉词典数量下模型的性能,采用目标感兴趣区域定位(Region of Interest Location,ROIL)的词袋模型可以有效减少线缆图像中的无效特征数量,从而实现模型分类准确率的提高。(2)词袋模型是一种和统计相关的模型结构,采取局部特征量化来稀疏表达一些特征,它在传统意义上大部分应用在图像表示方面。在本文中采用一种深度学习模型和词袋模型结合的三色线缆顺序分类方法,该方法中的VGG网络能够更好地表示三色线缆图像的特征,而同时融合BOW模型能够解决小区域目标不容易检测的问题。实验表明,VGG-BOW模型有更好的识别精度,准确率比原来的VGG网络提高了0.61%,表现出了更良好的分类效果。(3)一些传统的目标检测算法是由人工来提取特征,而外界因素、采集因素、人为条件等都会对检测的精度产生一些影响,同时人工提取特征的效率不高、泛化性能也不强。本文给出了4个方面对Faster R-CNN进行改进:优化的锚框、ELU激活函数、简化的VGG网络以及目标感兴趣区域定位算法。所提模型不仅提高了检测的精度而且减少了检测的时间,实验证明了所提模型的有效性和可行性,所提方法表现出优良的检测性能。