基于深度学习的汽车门板焊点识别算法研究及应用 |
您所在的位置:网站首页 › 汽车门板设计需要学多久 › 基于深度学习的汽车门板焊点识别算法研究及应用 |
来自
知网
喜欢
0
阅读量: 136 作者: 曾健 展开 摘要: 目前,传统焊接机器人已经被广泛地应用在我国汽车门板内外装饰件焊接生产线上.在焊接生产线上应用传统焊接机器人能提高生产效率,但传统焊接机器人在识别焊接的过程中一般是采用人工示教的方式.每当产品换型时,需要对其重新进行人工示教规划,这降低了汽车焊接生产线的效率.为了提高生产效率,本文研究了基于深度学习的对汽车门板焊点进行实时识别的目标检测算法.本文的主要研究内容为基于深度学习的目标检测算法.在深入研究基于深度学习的目标检测算法前,我们首先介绍了传统的目标检测方法.传统目标检测方法的流程一般为:对图像进行预处理,接着对预处理后的图像进行特征提取,最后利用分类器对提取的特征进行分类.接着介绍了神经网络与深度学习的相关理论知识,为后面研究基于深度学习的目标检测算法作了铺垫.主要包括卷积神经网络的结构,常用卷积神经网络架构,深度学习中的正则化方法及优化算法.常用的卷积神经网络架构能提高目标检测的性能,深度学习中的正则化方法可解决深度学习中的过拟合问题,深度学习中的优化算法可用来提高神经网络训练的效率.最后,研究了基于深度学习的目标检测算法并进行对比实验.基于深度学习的目标检测算法分为两类,第一类为基于候选框区域的目标检测算法.基于候选框区域的目标检测方法起源于R-CNN算法,因R-CNN算法具有检测速度慢的缺点,改进后有了Fast R-CNN算法,进一步对Fast R-CNN算法改进有了Faster R-CNN算法.第二类为基于回归方法的目标检测算法,即YOLO算法,由于YOLO算法对小目标的识别效果不佳,进而对YOLO算法进行改进.对Faster R-CNN算法和改进后的YOLO算法进行实验的结果表明:这两种算法对汽车门板焊点都有较高的识别率,其中Faster R-CNN算法的准确率达到83%,而改进后的YOLO算法不仅在准确率上要高于Faster R-CNN算法,而且检测时间也远快于Faster R-CNN算法,能满足工业生产的实时性要求. 展开 年份: 2019 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |