论文部分内容阅读
工件自动化分拣是智能工厂的重要基础,它在改进工业生产率的同时解决了某些特定环境下人工无法操作的问题。机器学习技术在分拣系统中的应用是工业装配线发展的必然趋势,卷积神经网络作为机器学习技术之一,以其优秀的性能和巨大的潜力吸引了众多业内学者和专家参与研究。目前,基于卷积神经网络技术的目标物体的识别与定位已经成为了物体检测领域的核心内容。在本论文中,我们以工业机械零件作为研究对象,以工业传送带为研究场景,重点阐述了一个改进的YOLOv2卷积神经网络,具体的内容如下:1.对原YOLOv2中使用的ReLU激活函数进行优化,设计了S_ReLU激活函数,新的函数既具有ReLU函数的稀疏性和收敛性又具有Sigmoid函数的平滑性,对于卷积结果为零的这部分响应仍能够进行正常的训练。2.用Inception结构替换了原网络构架的第三和第四大层,修改后的网络构架在增强网络性能的同时减少了网络训练的参数,提高了网络计算资源的利用率。3.在新网络中使用了多尺度和网络预训练的方法,多尺度训练使网络对不同输入尺寸的图片具有一定的鲁棒性,而网络预训练在提高物体识别精度的同时降低了网络训练的时间。4.在新网络中使用k-means维度聚类优化算法对数据集中自己手工标记的目标框做聚类分析,找到符合特定检测任务的候选框。采用这种方法,一方面提高了目标定位的准确率,另一方面减少了候选框的数量,降低了网络训练的参数。接着,我们在自己收集的数据集上对改进后的网络进行训练,并在平均识别准确率、检测速度、网络收敛的速度这三个方面对实验结果进行了分析和总结。实验结果表明,改进后的卷积神经网络无论在识别性能还是时间效率方面都要优于原YOLOv2网络。最后,我们将训练好的网络用于自己搭建的机械零件分拣系统,在有干扰物的复杂场景中平均识别准确率达到了 85.8%,检测速到达到了每秒25帧,这为工业装配线上工件的实时性分拣奠定了基础。