基于卷積神經(jīng)網(wǎng)絡(luò)的故障指示器狀態(tài)識(shí)別研究.pdf

1、隨著機(jī)器視覺(jué)技術(shù)的發(fā)展，越來(lái)越多的產(chǎn)品質(zhì)量檢測(cè)采用數(shù)字圖像處理技術(shù)進(jìn)行分析與識(shí)別，能夠極大地提高生產(chǎn)的自動(dòng)化程度。為實(shí)現(xiàn)工廠(chǎng)生產(chǎn)的故障指示器產(chǎn)品質(zhì)量智能檢測(cè)，本文基于卷積神經(jīng)網(wǎng)絡(luò)的故障指示器狀態(tài)識(shí)別進(jìn)行研究，能夠有效地解決產(chǎn)品生產(chǎn)過(guò)程中的產(chǎn)品質(zhì)量檢測(cè)問(wèn)題，實(shí)現(xiàn)工業(yè)生產(chǎn)自動(dòng)化、智能化、綠色化和高效化。
　　本文針對(duì)故障指示器狀態(tài)智能識(shí)別任務(wù)，分別從構(gòu)建識(shí)別系統(tǒng)、改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networ

2、ks，CNN）模型、實(shí)驗(yàn)驗(yàn)證等方面進(jìn)行了研究。通過(guò)分析故障指示器產(chǎn)品檢測(cè)場(chǎng)景，構(gòu)建了圖像采集系統(tǒng)并采集了故障指示器的原始視頻圖像。設(shè)計(jì)了識(shí)別算法流程，并實(shí)驗(yàn)驗(yàn)證了將CNN直接用到故障指示器原始圖片上進(jìn)行狀態(tài)識(shí)別的可行性，同時(shí)分析實(shí)驗(yàn)結(jié)果，找出了傳統(tǒng)CNN在此任務(wù)中存在的問(wèn)題，啟發(fā)了后續(xù)對(duì)原始圖片的處理和CNN的改進(jìn)工作。而后，針對(duì)現(xiàn)實(shí)場(chǎng)景中模糊、光照不均勻、色偏的故障指示器圖片，本文對(duì)圖片進(jìn)行濾波、增強(qiáng)和高光消除等預(yù)處理，減少了各種因素

3、對(duì)識(shí)別的影響，進(jìn)一步采用基于閾值、邊緣檢測(cè)和聚類(lèi)的方式對(duì)圖像進(jìn)行分割實(shí)驗(yàn)，接著對(duì)圖片進(jìn)行平移、旋轉(zhuǎn)、縮放等數(shù)據(jù)擴(kuò)充方式增大數(shù)據(jù)量，提升小樣本對(duì)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別性能。針對(duì)傳統(tǒng)CNN模型魯棒性問(wèn)題，本文改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)網(wǎng)絡(luò)加入尺度估計(jì)，提出了多尺度卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)實(shí)驗(yàn)驗(yàn)證了該方法的魯棒性；針對(duì)傳統(tǒng)的CNN的收斂時(shí)間長(zhǎng)，識(shí)別率低的問(wèn)題，分析已收斂的CNN各核函數(shù)之間存在很大的相關(guān)性，提出了小波變換初始化第一層核函數(shù)的方法，實(shí)驗(yàn)表明