裝配過程智能監(jiān)測(cè)

目錄
前言
第1章 緒論 1
1.1 裝配過程監(jiān)測(cè)的意義 1
1.2 裝配過程監(jiān)測(cè)的國(guó)內(nèi)外研究現(xiàn)狀1
1.2.1 裝配體監(jiān)測(cè)的研究現(xiàn)狀 1
1.2.2 裝配操作監(jiān)測(cè)的研究現(xiàn)狀.8
1.2.3 螺栓裝配力 /力矩監(jiān)測(cè)的研究現(xiàn)狀 12
1.3 本書主要內(nèi)容 16
第2章 人工智能技術(shù)基礎(chǔ) 19
2.1 隨機(jī)森林分類器 19
2.1.1 決策樹模型 19
2.1.2 隨機(jī)森林分類器模型20
2.2神經(jīng)網(wǎng)絡(luò)技術(shù)20
2.2.1 單層感知器 20
2.2.2 全連接神經(jīng)網(wǎng)絡(luò) 21
2.2.3 卷積神經(jīng)網(wǎng)絡(luò) 24
2.2.4 循環(huán)神經(jīng)網(wǎng)絡(luò) 27
2.2.5 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò) 28
2.3 開發(fā)平臺(tái) 30
第3章 深度圖像標(biāo)記樣本庫構(gòu)建 32
3.1 合成深度圖像標(biāo)記樣本庫構(gòu)建 32
3.2 真實(shí)深度圖像標(biāo)記樣本庫構(gòu)建 34
3.2.1 Kinect傳感器 34
3.2.2 真實(shí)深度圖像的獲取及處理 35
3.2.3 真實(shí)深度圖像的標(biāo)記 37
第4章 基于像素點(diǎn)特征提取算法的裝配體監(jiān)測(cè) 39
4.1 基于 PX-LBP特征的像素分類 39
4.1.1 PX-LBP特征提取算法 39
4.1.2 隨機(jī)森林分類器 44
4.1.3 實(shí)驗(yàn)及結(jié)果分析 45
4.2 基于深度差分特征的像素分類 50
4.2.1 深度差分特征 50
4.2.2 實(shí)驗(yàn)及結(jié)果分析 54
4.2.3 PX-LBP特征與深度差分特征對(duì)比 57
4.3 零件識(shí)別及裝配監(jiān)測(cè) 60
4.3.1 像素預(yù)測(cè)圖像獲取 61
4.3.2 基于深度圖像的零件識(shí)別 62
4.3.3 基于深度圖像的裝配監(jiān)測(cè) 64
第5章 基于深度學(xué)習(xí)的裝配體監(jiān)測(cè) 73
5.1 基于多跳躍式全卷積神經(jīng)網(wǎng)絡(luò)的裝配體深度圖像語義分割方法 73
5.1.1 多跳躍式全卷積神經(jīng)網(wǎng)絡(luò).73
5.1.2 實(shí)驗(yàn)及結(jié)果分析 75
5.2 基于可訓(xùn)練引導(dǎo)濾波器和多尺度特征圖的裝配體深度圖像語義分割方法 81
5.2.1 基于可訓(xùn)練引導(dǎo)濾波器和多尺度特征圖的網(wǎng)絡(luò)結(jié)構(gòu) 81
5.2.2 其他語義分割網(wǎng)絡(luò) 83
5.2.3 實(shí)驗(yàn)相關(guān)設(shè)置 87
5.2.4 實(shí)驗(yàn)及結(jié)果分析 88
5.3 基于U-Net的裝配體深度圖像輕量級(jí)語義分割方法 93
5.3.1 U-Net網(wǎng)絡(luò)結(jié)構(gòu) 93
5.3.2 SKC-UNet+DenseCRF網(wǎng)絡(luò)結(jié)構(gòu) 94
5.3.3 其他語義分割網(wǎng)絡(luò) 99
5.3.4 實(shí)驗(yàn)相關(guān)設(shè)置 103
5.3.5 實(shí)驗(yàn)及結(jié)果分析 104
第6章 基于深度學(xué)習(xí)的裝配操作監(jiān)測(cè) 112
6.1 基于三維卷積神經(jīng)網(wǎng)絡(luò)的裝配動(dòng)作監(jiān)測(cè) 112
6.1.1 裝配動(dòng)作監(jiān)測(cè)流程及數(shù)據(jù)集的建立 112
6.1.2 三維卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu) 115
6.1.3 基于批量歸一化的改進(jìn)三維卷積神經(jīng)網(wǎng)絡(luò) 118
6.1.4 實(shí)驗(yàn)及結(jié)果分析 120
6.2 基于目標(biāo)檢測(cè)的裝配工具檢測(cè) 124
6.2.1 裝配工具監(jiān)測(cè)流程 124
6.2.2 目標(biāo)檢測(cè)相關(guān)模型分析 125
6.2.3 實(shí)驗(yàn)及結(jié)果分析 128
6.3基于姿態(tài)估計(jì)的裝配動(dòng)作重復(fù)次數(shù)檢測(cè) 133
6.3.1 研究流程 133
6.3.2 姿態(tài)估計(jì)模型分析 133
6.3.3 實(shí)驗(yàn)及結(jié)果分析 135
第7章 基于表面肌電圖信號(hào)的螺栓裝配監(jiān)測(cè) 141
7.1 螺栓裝配扭矩實(shí)驗(yàn)臺(tái)及數(shù)據(jù)集建立141
7.1.1 螺栓裝配扭矩實(shí)驗(yàn)臺(tái) 141
7.1.2 扭矩分類數(shù)據(jù)集制作及數(shù)據(jù)預(yù)處理 143
7.1.3 扭矩回歸數(shù)據(jù)集制作及數(shù)據(jù)預(yù)處理 145
7.2基于卷積神經(jīng)網(wǎng)絡(luò)的裝配扭矩分類粒度估計(jì) 148
7.2.1 多粒度分割并行卷積神經(jīng)網(wǎng)絡(luò) 148
7.2.2 2D CNN模型 149
7.2.3 實(shí)驗(yàn)及結(jié)果分析 150
7.3 基于回歸神經(jīng)網(wǎng)絡(luò)的螺栓裝配扭矩監(jiān)測(cè) 159
7.3.1 基于回歸神經(jīng)網(wǎng)絡(luò)的螺栓裝配扭矩監(jiān)測(cè)流程 160
7.3.2 回歸神經(jīng)網(wǎng)絡(luò)模型 160
7.3.3 實(shí)驗(yàn)及結(jié)果分析 165
第8章 總結(jié)與展望 172
8.1本書總結(jié) 172
8.2研究展望 173
參考文獻(xiàn) 175