对于流水线上多类产品不规则混合放置条件下的统计问题,利用基于faster R-CNN和改进的深度卷积网络结合的图像识别方法,实现了对产品的在线分类计数。首先利用faster R-CNN方法获取图像中产品的位置信息,然后用改进的深度卷积网络对图像进行特征提取,将产品区域的位置信息映射到最后一层特征图上,再用ROI池化对产品区域特征进行尺度归一化,把归一化后的产品特征输入softmax分类器识别,从而实现了分类统计。实验结果表明,该方法能够在工业生产中实现多类混线产品在线自动分类统计。

为了判断高铁线缆扣件的装配是否正确,这里采用一种基于迁移学习的卷积神经网络的算法对高铁线缆扣件装配进行检测。首先将预训练的网络与目标检测算法相结合,建立完整的装配检测网络,然后对制作好的数据集进行训练和测试。实验结果表明,相比传统对象识别的方法,该方法不仅提高了工件装配检测的准确度,还保证了工业检测中对实时性的要求。另外,由于卷积神经网络可以获取工件图像的深层特征,从而使得目标检测算法更加稳健,更能适应光照、灰尘等环境噪声的变化。

为了提高输电线路的供电可靠性,降低输电线路由于运行时间长、外部气候条件恶劣以及电磁环境复杂等造成的导线故障,采用输电线路智能型液压修补机代替人工作业进而降低电网人身风险事故。进行了基于Faster R-CNN的输电线路智能型液压修补机视觉检测算法研究;建立了基于Faster R-CNN的螺栓与导线缺陷检测模型,将训练好的Faster R-CNN导线缺陷检测模型在福建某110 kV输电线路上完成作业实验,证明了所建立的基于Faster R-CNN的输电线路智能型液压修补机视觉检测算法的有效性。

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明:改进后的识别平均精确度比原有识别