基于深度学习的零件实例分割识别研究

论文摘要

针对传统零件识别方法图像特征提取鲁棒性不足,零件识别准确率较低、不能对图像进行实例分割的问题,文章提出了一种基于Mask R-CNN的零件识别方法。该方法利用卷积神经网络对零件图像进行特征提取,选取数据集中标注好的图像微调Mask R-CNN网络,以保证零件识别的准确性,并生成Mask分割掩码,对零件进行实例分割。同时,对数据集进行数据增强和划分K折交叉验证来提高模型的鲁棒性。最后通过搭建实验平台对零件进行识别,证明了该方法的有效性。

论文目录

• 0 引言
• 1 零件识别框架
•   1.1 特征提取
•   1.2 区域建议网络
•   1.3 目标分割网络
•     1.3.1 RoI Align
•     1.3.2 Mask层
• 2 数据集处理及模型训练
•   2.1 图像预处理
•   2.2 模型训练
• 3 实验
•   3.1 图像采集装置
•   3.2 实验与结果分析
• 4 总结

文章来源

类型: 期刊论文

作者: 黄海松,魏中雨,姚立国

关键词: 深度学习,实例分割

来源: 组合机床与自动化加工技术 2019年05期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 机械工业,计算机软件及计算机应用,自动化技术

单位: 贵州大学现代制造技术教育部重点实验室

基金: 国家自然科学基金(51865004),贵州省科技重大专项计划(黔科合重大专项[2017]3004号),贵州工业攻关重点项目(黔科合GZ字[2015]3009),贵州工业攻关重点项目(黔科合GZ字[2015]3034),贵州省教育厅项目(黔教合协同创新字[2015]02)

分类号: TH161.1;TP391.41;TP183

DOI: 10.13462/j.cnki.mmtamt.2019.05.030

页码: 122-125

总页数: 4

文件大小: 1241K

下载量: 393