论文部分内容阅读
随着工业的发展和科学技术的进步,越来越多的新技术正逐步应用到工业生产当中。这很大程度上减轻了工人不必要的负担,使得工人的工作越来越来简单、不会出错,更是大大提高了生产效率。而在这些新技术当中,深度神经网络在最近几年更是如火如荼,广泛应用到各个领域当中。当然应用在图像识别中就必不可少了,基于深度神经网络的图像识别技术现在已愈发成熟,识别的错误率现在已远低于人眼视觉识别。所以目前,一些工业上的检测正逐步从人眼视觉检测转化到计算机视觉检测。如今,在汽车厂的车间生产线上,需要人工安装汽车开关按键面板,并且是人工检测安装是否正确。由于在安装之前需要工人熟悉生产计划和开关按键信息,这增加了工作难度,再加上长时间重复相同的操作,工人非常容易疲劳,难免会出现错装、漏装等情况。这样安装错误的面板一旦安装在整车上,以后再想更改错误,付出的代价是巨大的。所以为了解决这个问题,本文设计并实现了一套基于深度神经网络的开关安装纠错系统。该系统主要实现两个功能:第一部分是实现半自动化引导功能,使工人无需了解生产计划便可正确安装开关;第二部分是对安装完成的面板进行检测,以确保开关按键安装正确。对于系统的第一部分功能,本文通过采用可编程逻辑控制器(Programmable Logic Controller,PLC)协调工控机、传感器等部件一同工作,能实现引导工人在安装开关的时候拿取相应的按键,而不需要了解生产计划就能正确安装。对于系统的第二部分功能则是本文的重点内容。首先,我们对所有的开关按键图片进行分割、采样,并且制作更多的训练样本,然后设计相应的神经网络结构,并训练出最好的模型,最后将模型应用于开关检测中。为了完成第二部分的功能需求,本文深入研究了深度神经网络,对目前比较火的几个模型进行了详细的研究,例如:深度信念网络、循环神经网络和卷积神经网络。熟悉这三种神经网络的原理和训练方法,本文分别选取了以上三种网络作为本项目的网络结构来对3000张开关样本进行网络训练,然后选取最好的网络模型应用于本项目中。本文最终选取了卷积神经网络模型作为项目的网络模型,其识别准确率接近98%,远高出人眼识别的准确率,该方法完全满足生产需求。在完成系统之后,对本系统进行生产测试,结果比较理想,系统运行流畅、稳定、鲁棒性强,完全满足车厂的生产需求。本系统已经正式应用于车间生产中,且在车间运行流畅、稳定。