针对电子产品装配过程中存在的元器件精确定位难、细微缺陷检测慢、工程可视化程度低等技术难题,设计和搭建“微型灯塔工厂”工程示范厂房,采用Tecnomatix平台搭建微型灯塔工厂数字孪生体,解决制造过程中可视化程度低的问题;采用LabVIEW平台及深度学习算法实现CO-WORK及人机工程的快速检测和诊断,解决了生产运维难的问题;通过融合多尺度注意力权重信息的智能检测识别算法,解决了微型电子电路板检测速度慢和识别率低的难题。

为了提高大型飞机电缆故障识别效果,提出了基于深度学习算法的大型飞机电缆故障识别方法。首先利用S变换方法获取大型飞机电缆信号的复时频矩阵,利用熵和奇异值分解理论提取复时频矩阵的特征向量,将特征向量作为深度学习网络的输入、大型飞机电缆故障作为输出;然后采用随机梯度下降法更新深度学习网络的权重参数、偏置参数,从而建立大型飞机电缆故障精准识别模型;最后对大型飞机电缆故障识别实例进行了分析,分析结果表明,在含有白噪声的情况下,深度学习算法的电缆故障识别精度仍高于99%,识别误差控制在有效范围内,具有较高的实际应用价值。

采用深度学习算法解决在包含对象的场景的RGB-D视图中对机器人进行检测抓取的问题。通过采用一个两步级联系统可以对大量的候选者进行评估,与手工设计相比更为快速而有效。两步级联系统有两个深度网络,其中第一个系统的顶级检测值由第二个系统重新评估。通过研究实验证明了深度学习方法可以有效提高RGB-D机器人抓取数据集的性能。