基于深度神经网络(Deep Neural Network,DNN)的深度学习(Deep Learning,DL)在图像识别、语音识别和文本分析等领域取得了巨大成功。但是深度学习在工业领域的应用遇到训练样本数量不够和训练算力不足的困难。将深度神经网络的迁移学习(Transfer Learning)应用到工业产品表面质量检测,解决了深度学习样本和算力不足的问题,其准确率达到了99.8%,超过了传统机器学习算法和没有迁移学习的卷积神经网络(Convolutional Neural Network,CNN)。构造的深度神经网络分为两部分前面为已经训练好的深度神经网络GoogLeNet,后面部分为识别表面缺陷专用层,训练的时候只需要训练后面部分。

针对工厂需对一些规则工件的圆孔半径、平行距离以及角度进行非接触式测量和检测,设计一种基于单目视觉的平面尺寸测量系统。以OpenCV机器视觉库和Qt界面设计库为开发平台,采用C++进行编程实现测量功能。系统驱动Basler工业相机采集工件的平面图像,通过ROI(感兴趣区域)获取待测件轮廓的有用信息,进行曲线拟合和尺寸计算,结合开发的测量工具(平行距离、半径、夹角)和定位工具对尺寸进行实时测量。对不同类型工件进行尺寸测量实验,测试结果表明该系统测量方法是可行的,测量软件开发是成功的,测量耗时毫秒级,最大相对误差1%以内。

陶质焊接衬垫是桥梁、船舶、建筑等领域焊接工艺的一种焊接材料,有助于提高焊接功效。针对流水线上人工检测陶质焊接衬垫的产品质量效率低、成本高等问题,提出一种基于改进Yolo-v3的陶质衬垫产品质量检测方法。由于Yo?lo-v3模型检测效果不佳,设计出更适应流水线检测环境的Yolo-Res模型,将精简Yolo-v3模型与Resnet50模型结合,采用多属性特征预测目标陶质衬垫,保证特征区分度的同时提高检测精度。测试结果显示,所提出Yolo-Res算法的检测准确率达到88%,检测速度达到49.4ms/张。结果表明,该方法相比Yolo-v3等已成熟算法,在陶质焊接衬垫产品质量问题上具有更佳的检测性能。