论文部分内容阅读
深度学习（Deep Learning，DL）技术是近几年迅速发展起来的人工智能算法，在大数据、图像识别、图像分割、语音识别等领域取得了瞩目的成绩。随着工业生产自动化速度和精度需求不断提高，传统视觉算法往往无法满足复杂纹路工件分拣作业。针对复杂工件的识别定位问题，结合图像预处理算法，设计了基于深度学习的工业分拣机器人快速视觉识别定位算法。 本研究主要内容包括：⑴介绍了相关理论基础，包括FVR6-6423工业分拣机器人平台的结构设计、功能，人工神经网络（Artificial Neural Network, ANN）的概念、感知机以及ANN常用模型，深度学习常用模型以及优化算法。⑵基于基础图像处理技术，提出了复杂光环境下工件图像预处理算法。先经加权灰度化的方法将彩色工件图像转换为灰度图像，通过开操作获得工件图像背景图，将原图和背景图做差消除光照不匀导致的阴影干扰，接着采用灰度拉伸提高图像对比度，经自适应阈值分割得到理想二值图像。⑶在图像预处理技术基础上，提出了基于深度置信网络（Deep Believe Network, DBN）和像素投影算法的复杂工件识别算法。将预处理图像通过像素投影算法，获得工件像素在横轴和纵轴上的投影曲线，经像素滤波及选取运算，确定工件中心坐标，并从原工件图像中截取出仅包含工件部分的图像，对该图像做尺寸规范化处理后，转换为一唯序列作为DBN输入向量，经过已训练DBN中的RBM逐层提取输入图像特征，并由DBN末端的BP神经网络分类识别工件类型以及工件偏角。通过实验证明，该算法能够快速定位识别复杂工件，具有可行性。⑷基于深度卷积网络（Deep Convolutional Neural Network, DCNN）和边界像素检测算法设计了另一种复杂工件识别算法。工件图像经过预处理后，通过边界像素检测算法检测工件在图像中的边界像素，并获得工件在图像中的坐标位置，接着分割出仅包含工件部分的图像，将该图像直接作为经过训练 DCNN中，经过多层卷积操作和池化操作对图像高级特征提取，最后通过SoftMax分类器对工件类型和偏角进行识别。实验证明该方案具有较高实时性能、检测精度和识别准确度。