导 师: 姚锡凡
授予学位: 硕士
作 者: ();
机构地区: 华南理工大学
摘 要: 在工业自动化程度不断提高的背景下,基于视觉系统的机械臂抓取系统是实现工业自动化生产的一个关键环节,本文针对机械臂自动抓取过程中传统方法对工件识别与检测精度不够高、特征提取困难以及多工件定位困难等问题,探讨基于深度学习的工件自动识别与检测模型,尤其将基于卷积神经网络的工件检测模型应用于机械臂抓取,进而形成智能识别-抓取系统。本文的主要研究内容如下: (1)面向智慧制造的需求,提出一种基于云雾融合和Alexnet分类模型的改进形成工件识别模型WR-Net。通过实验发现,经云端训练后部署于雾端的WR-Net,对100个不同工件识别准确率达到99%,模型损失函数小于0.1,与改进前Alexnet相比,WR-Net精度提高了1%,其模型参数减少了25%,并因避免网络延时而保障实时性。 (2)针对目标检测网络对小尺寸目标检测精度不高的问题,在一种单次目标检测网络的基础上,增加了特征融合结构,将被检测图像的低阶和高阶特征加以融合,进而提出面向工件的改进单次目标检测网络ISSD。通过试验发现,所提出的ISSD对于5大类不同工件组成的检测样本的检测精度达到99.2%,比改进前提升了2.9%,单张图片的检测速度为0.026秒。 (3)针对工业系统中因计算资源相对有限而部署卷积神经网络模型困难、实时性要求高等问题,通过网络剪枝、权值量化、分离卷积等方法对所提出的WR-Net和ISSD模型进行压缩测试。结果表明,WR-Net经剪枝减去50%参数后能够实现无损压缩,经权值量化后模型大小减少75%也能实现无损压缩,但模型识别速度并未提升;ISSD经分离卷积将模型压缩为原来的26%,检测速度提升42%,而预测精度损失约8%。 (4)构建由工业相机、笔记本电脑和机械臂等组成的机械臂智能抓取实验系统,以验证ISSD检测系统抓取�