导　　师： 蔡念;林健发

授予学位： 硕士

作　　者： (）;

机构地区： 广东工业大学

摘　　要： 工业生产线上的零部件是组成产品不可缺少的一部分,尤其是出口海外工业产品,必须保证组成产品所需零部件的完整性。在实际的工业生产中,零部件易存在漏装、错装和误装现象,影响产品的出厂合格率,对企业造成严重的经济损失。近几年,工业生产线上的零部件检测大多数还停留在人工检测和传统的形状模板匹配检测阶段,检测效率低下。人工检测时,长时间的工作会导致人眼出现视觉疲劳,增加零部件被漏检和误检的风险。目前,随着人工智能和工业自动化的发展,计算机视觉技术越来越广泛应用于工业检测领域,并取得不错的成果,为工业生产注入新的检测解决方案,提高工业生产效率。为实现工业生产线上零部件的自动化检测,提高检测效率,本文提出一种基于深度卷积神经网络的零部件检测方法。首先采集样本图像,进行样本图像预处理操作,主要包括图像标注,图像增强;为保证训练样本的多样性,对样本进行图像物理变换,主要有图像仿射变换、图像旋转、图像模糊、图像缩放等实现数据扩增。然后通过利用深度卷积神经网络训练检测模型,包括提取目标有效特征,并在不同的卷积特征图上,产生预测的前景目标候选框。最后对得到的候选框进行置信度计算,输出检测目标类别,同时,对预测的候选框做回归运算,微调定位位置,输出目标零部件最终的检测结果考虑到现有检测框架利用深度卷积神经网络计算参数量大,在无GPU的硬件环境下检测速度慢,无法大规模应用问题。本文基于MobileNets轻量化网络,设计一种新的训练网络结构,有效的减少网络计算参数量,降低检测模型的大小。实验结果表明,提出的工业生产线上零部件检测方法,有效的提高检测效率。同时,在不影响检测精度的前提下,降低了网络训练结构模型,可以在无GPU的小型工控机上有效的提高

关 键 词： 工业零部件 计算机视觉 深度卷积神经网络 目标检测 轻量化网络

领　　域： [] []