基于数字孪生的工业机器人建模及监测方法

针对工业机器人数据不透明、监测存在死角等问题,通过对实体工业机器人分析和研究,构建数字孪生机器人监测系统。首先从几何、物理、逻辑3个维度完成虚拟机器人的建模;其次基于开放平台通信联合架构(open platform communications united architecture,OPC UA),实现机器人的数据采集和通信,设计用户显示界面,达到数据实时可视化的效果;最后,通过机器人仿真实验得出机器人末端执行器X、Y、Z坐标的相对位置误差分别为0.48%、0.32%、0.27%,通过数字孪生机器人监测同步实验验证机器人关节角度误差最大值为0.31°。实验结果表明:该方法能够实现数字孪生工业机器人的运动数据监测,减少工业机器人在生产过程中发生意外和故障的风险,为智能工业机器人的发展提供思路和方向。

基于数字孪生的装配机器人建模及系统实现

针对工业装配机器人复杂作业编程耗时耗力、准确性差等问题,提出一种基于数字孪生的机器人在线编程方法。从几何、接触动力学、行为、规则四个维度实现了机器人从真实向虚拟空间的忠实映射。实现了多零件装配轨迹规划程序验证,实时同步作业及状态监测。设计搭建了基于数字孪生的装配机器人建模与在线编程系统,以六轴工业机器人单元为例验证了系统的实用性和准确性,为复杂装配作业机器人编程提供了新方案。

基于改进型RFB-MobileNetV3的棉杂图像检测

针对深度卷积神经网络模型复杂导致嵌入式设备难以满足实时在线检测的问题,提出改进型RFB-MobileNetV3(RFB-MNV3)的棉杂检测方法。首先,根据高精度轻量化网络模型的构建和保证检测准确率高的前提下,减少MNV3冗余网络结构;其次,将3×3卷积层取代5×5卷积层,1×3+3×1卷积层折叠取代3×3卷积层作为改进型感受野(RFB)模块部署到改进型MNV3的池化层中,以提升棉杂的在线检测速度和准确率;最后,将改进前后的算法与其它检测算法进行比较。结果表明,改进型RFB-MNV3算法的单张检测速度可达到0.02 s,在线检测平均准确率达到89.05%。通过对MNV3网络结构进行改进,在保证高检测准确率的前提下,可满足嵌入式设备在线棉杂检测的需求。

铝型材挤压模具设计分析系统

通过对铝型材挤压技术特点及其与现代IT技术结合趋势的分析 ,介绍了开发应用铝型材挤压模具设计分析系统的重要意义 ,在此基础上开发了相应的设计软件系统 。

基于弱监督SOD网络的网状白坯织物缺陷检测方法

针对目前网状白坯织物缺陷检测过程中由于背景复杂、边界不明确等造成检测效率低的问题,提出一种基于弱监督SOD网络端到端的方法,实现对网状白坯织物疵点的检测。首先,弱监督SOD的单轮端到端训练通过草图标注实现,通过最大池化加深网络层数,减少训练时信息损失;其次,提出局部显著相干性损失和部分交叉熵损失解决草图标签不能提供详细信息的问题,并提出显著结构一致性损失,提高模型自适应性和泛化能力;最后,融合模块(CAM)聚合多层次特征得到缺陷检测结果,并引入边界细化模块,提高边界定位精度,使检测到的缺陷显著图更加清晰。利用TILDA数据集和BASLER工业相机对采集到的缺陷图像验证算法性能。试验结果表明:该研究算法精确率达到92.25%,召回率达到93.55%。认为:基于改进的弱监督SOD网络模型检测网状白坯织物的质量高且具有较好的鲁棒性。

三维立体打印机的成形技术

三维立体打印机是根据普通的喷墨打印机改制而成 ,从而实现了工程中的可视化设计。涉及正在研制的三维立体打印机的成形技术 ,提供了一种解决喷头堵塞方法。同时对三维立体打印机成形工件过程进行了简要说明。

三维立体打印机成形人工骨支架

迄今已开发了不少比较成熟的骨支架制作技术。但是这些技术都还存在一定的缺陷,还没有真正的实用方法用于临床。快速成形技术由于具有快速性和高度柔性的优点,在骨支架制造方面有广泛的应用前景。就3DP法成形骨支架的若干技术进行了一些探讨。

一种改进ViBe的网状织物缺陷检测方法

针对运动网状织物缺陷难以检测的问题,提出了一种基于改进ViBe的检测方法。首先,通过背景差分法对运动网状织物缺陷分割,进行背景建模。其次,利用HSV色彩空间变换滤除阴影。最后,采用OSTU阈值算法找出目标分割的最优阈值,从而检测出运动网状织物缺陷。实验结果表明:与其他运动目标检测算法相比,改进的ViBe算法在运动网状织物缺陷检测时效果良好,检测速度较快,能够适应不同场景。同时,与混合高斯模型、ViBe算法相比,改进ViBe算法的精确率分别提高了3.4%和9.6%,召回率分别提高了1.2%和4.5%。

LBP与低秩分解的网状织物纹理缺陷检测方法

针对网状织物纹理复杂,缺陷检测难度大的问题,提出一种基于局部二值模式(LBP)与低秩稀疏矩阵分解的网状织物纹理缺陷检测方法.首先,采用等价旋转不变的局部二值模式算法提取网状织物纹理特征,获得纹理特征矩阵;其次,根据纹理特征矩阵构建低秩稀疏分解模型;最后,通过最佳阈值分割算法对网状织物低秩稀疏分解产生的显著图进行分割.实验结果表明,与K-奇异值分解(K-SVD)算法相比,该方法的平均准确率达到89.94%,平均召回率达到93.88%,分类总正确率达到92%以上。

注意力机制优化RetinaNet的密集工件检测方法研究

针对密集工件存在相似度高、排列无序的特性导致检测难度大的问题,提出了一种注意力机制优化RetinaNet的密集工件检测方法。首先将注意力机制引入到RetinaNet主干特征提取网络以减少干扰物对检测效果的影响,提高神经网络的特征提取能力;然后利用Soft-NMS构建新的预测框提高重叠定位精度;最后通过迁移学习的方法训练数据集,提高模型训练效率。在密集工件数据集上验证该方法的有效性,实验结果表明,改进后的方法检测精度达到了98.11%,相较于改进前提高了2.59%,单张图片检测速度达到了0.026 s,该方法能够满足实际工业生产过程中精准检测工件的目的,在保证速度的同时降低了漏检率和误检率。

ECO多特征融合目标工件跟踪方法研究

针对复杂环境中目标工件跟踪精度不高的问题,提出了一种基于ECO改进的目标工件跟踪方法。首先基于ECO相关滤波器框架,采用VGG特征与传统手工特征加权融合的方法,有效提高目标工件跟踪精度;然后,利用快速判别尺度空间跟踪器实现对目标工件的尺度自适应跟踪;最后,引入一种高置信度更新指标确定跟踪模型的稀疏更新策略,提高算法鲁棒性。在OTB-2015标准数据集上进行测试,并与其他主流跟踪算法进行对比,实验结果表明,该算法的平均跟踪精度和平均重叠精度均为最优,分别达到89.2%和68.6%;对于使用CCD工业相机拍摄的目标工件数据集,同样具备良好的跟踪性能,进一步验证了算法有效性。

基于联合稀疏变换学习的工件去噪方法研究

针对视觉测量中给光好坏会直接影响工件检测精度和效率的问题,提出了一种基于联合稀疏变换学习对不同光源下工件图像去噪的方法。该方法首先从噪声图像中提取噪声图像块,通过稀疏编码和稀疏变换更新交替运算对噪声图像块进行内部聚类变换学习;然后计算每个噪声图像块中聚类信号的稀疏水平,并选择最小稀疏水平作为该去噪块的稀疏水平;最后对去噪块进行聚类并用最后一次迭代去噪块的均值估计去噪图像。实验结果表明,提出的方法对不同光源下工件图像的去噪效果和计算速度均优于其他算法,具有较好的去噪性能。

基于改进SSD的密集工件检测

为解决柔性智能制造过程中对密集工件漏检率高的问题,提出一种基于改进SSD(single shot multiBox detector)算法的目标检测模型。首先,在SSD网络中融入RFB(receptive field block,感受野模块),提高网络的特征提取能力;其次,采用激活函数PReLU(parametric rectified linear unit,参数化修正线性单元)代替传统的ReLU激活函数,避免部分神经元出现“死亡”现象;然后,使用CIoU(complete intersection over union)对损失函数进行优化;同时,使用平滑标签、融入BN层(batch normalization,批量标准化)等优化方法防止过拟合现象。在构建的密集工件数据集进行实验,平均精度均值达到95.24%,较改进之前算法提高4.42%,满足实际工业需求。

基于学习稀疏变换的工件降噪方法研究

在工业制造中,噪声是干扰效果的重要因素。基于学习稀疏变换,提出了一种降噪方法,构建了降噪算法模型。首先,介绍了学习变换算法,建立了降噪算法模型,并分析了算法的交替求解法。其次,利用算法对实际工件图像降噪进行了验证,对不同指标进行了评价。最后,分析了参数对算法性能的影响。结果显示,提出的算法不仅能够有效滤除工件噪声,而且在运行时间方面有很大的优势,对工业制造的视觉应用有极大的应用价值。

基于ViBe的高光背景下工件目标检测

针对工业制造中人工检测工件目标效率低的问题,提出了一种基于ViBe的高光背景下工件目标检测方法,称为BViBe。首先利用双边滤波法去除工件高光区域,接着为每个像素建立一个存储当前位置或相邻位置像素值的集合,最后将当前像素值与该集合中的像素值进行比较,判断像素是否属于背景,并通过随机选择背景模型中的像素值更新模型,该方法只需单个视频帧便可完成初始化,极大地提高了检测效率。实验结果表明,B-ViBe有效解决了工件检测因高光所产生的影响,在检测准确性和视觉效果方面都优于另外3种比较算法,能够为工业制造中的工件目标识别和跟踪提供良好基础。

结构化矩阵分解的网状织物缺陷检测方法

针对在网状织物缺陷检测过程中因纹理复杂造成误检问题,提出了一种结构化矩阵分解的网状织物缺陷检测方法。首先,通过Retinex算法对图像进行增强,利用所提取的底层图像特征生成特征矩阵,并将其分解为含有织物图像背景信息的低秩矩阵和含有缺陷信息的稀疏矩阵;其次,引入了高级先验矩阵和索引树两个部分,通过利用增强后图像进行获取,并对两个部分进行特征融合,实现缺陷显著性增强。通过计算稀疏矩阵的值,获得缺陷的显著性的大小;最后,通过最佳阈值分割算法分割缺陷显著图,从而得到缺陷检测结果。利用公开数据集TILDA和BASLER工业相机采集到的网状织物缺陷图像验证了算法的性能。研究表明,与其他算法相比,本文算法的识别准确率达到94.25%,召回率达到92.48%,分类准确率达到90.12%。

基于学习的Gabor滤波器多样式布匹瑕疵检测

由于布匹的花纹样式多,图案复杂,导致瑕疵检测困难等问题,给出了一种基于学习的Gabor滤波器实现多样式布匹瑕疵的检测方法.该方法首先利用多方向、多尺度Gabor滤波器对多样式布匹图像滤波,优选最佳滤波尺度.然后通过判别式提取瑕疵特征,对特征图像分块处理,融合优选的特征信息块,最后对融合后的图像进行二值化和形态学滤波处理.实验结果表明,该方法能够有效检测多样式布匹瑕疵,具有较好的实时性.相比于同类算法,检测精度和时间效率均有一定的提高.

基于孪生网络目标工件精确分割跟踪方法研究

针对工业生产环境中,目标工件跟踪算法鲁棒性差且定位精度低的问题,提出一种基于孪生网络的目标工件精确分割跟踪算法。该算法以ResNeSt-50为骨干网络,首先采用坐标注意力机制和自适应特征融合模块,使得网络更关注并保留目标工件有效信息;其次将目标工件特征信息分别送入在线训练得到的DCF分类器和分割模块,通过CIoU预测网络对矩形框进行评估,得到目标工件位置信息和像素级前景与背景信息;然后将工件位置信息、前景与背景信息通过Concat融合,使用上采样操作提高分辨率;最后在得到目标工件掩膜后采用矩形框优化方法输出精确目标框。实验表明,算法在GOT-10k基准数据集中平均重合度达到63.2%,重合阈值为0.5的成功率达到71.8%;在VOT-2018基准数据集中精度达到0.674;通过CCD工业相机拍摄目标工件序列中,验证了算法能高效应对目标工件跟踪任务中常见挑战。

基于注意力机制的多方向文本检测

针对多方向排列的文本因其尺度变化大、复杂背景干扰而导致检测效果仍不甚理想的问题,本文提出了一种基于注意力机制的多方向文本检测方法。首先,考虑到自然场景下干扰信息多,构建文本特征提取网络(text feature information ResNet50,TF-ResNet),对图像中的文本特征信息进行提取;其次,在特征融合模型中加入文本注意模块(text attention module, TAM),抑制无关信息的同时突出显示文本信息,以增强文本特征之间的潜在联系;最后,采用渐进扩展模块,逐步融合扩展前部分得到的多个不同尺度的分割结果,以获得精确检测结果。本文方法在数据集CTW1500、ICDAR2015上进行实验验证和分析,其F值分别达到80.4%和83.0%,比次优方法分别提升了2.0%和2.4%,表明该方法在多方向文本检测上与其他方法相比具备一定的竞争力。

基于关键点选择和采样一致性的石料点云配准

针对石料点云噪声点多、密集度高、表面结构复杂的特性和传统迭代最近点算法配准时间长、鲁棒性差的问题,提出一种基于关键点选择和采样一致性的石料点云配准方法。首先对石料点云数据进行去噪和下采样等预处理;其次利用点云法向量邻域夹角选择关键点,构建快速点特征直方图,进行初始配准;最后根据K维树结构和点到面最小距离查找对应点对,通过随机采样一致性算法消除错误对应点对,完成点云数据最终配准。以石料点云为对象进行对比试验,结果表明,该方法比SAC-IA+NDT算法速度加快21.12%,比GICP算法精度提高47.1%,能够实现石料点云快速而准确的配准,为石料点云配准提供了新方案。