基于云雾结合的工件深度学习识别问题研究

论文摘要

统工业自动分拣存在工件识别准确率不高、特征定义复杂等问题,虽然新兴的深度学习为此类问题提供了较好的解决方法,但仍存在对边缘端设备计算能力要求较高的问题,为此本文提出一种基于云雾结合的工件识别算法,即在云端采用改进ALEXNET卷积神经网络进行训练,然后将训练好的模型下载到雾(边缘)端设备,对工件进行实时识别.对100个不同工件进行实验,结果表明:改进后识别准确率从ALEXNET的98%提高到99%,模型参数减少25%,同时可以充分利用云端的强大计算能力与边缘设备的实时性,为智能工件识别提供了一种新途径.

论文目录

• 1 云雾结合的工件识别模型
•   1.1 从云制造到云雾制造
•   1.2 基于云雾结合的工件识别模型
• 2 识别算法
•   2.1 卷积神经网络架构设计
•     2.1.1 卷积层与池化层
•     2.1.2 局部响应归一化层
•     2.1.3 全连接层与输出层
•   2.2 卷积神经网络训练
•     2.2.1 正向传播
•     2.2.2 反向传播
• 3 实验及结果
•   3.1 实验平台
•   3.2 实验结果及分析
• 4 结语

文章来源

类型: 期刊论文

作者: 姚锡凡,蓝宏宇,陶韬,雷毅

关键词: 深度学习,工件识别,云计算,雾计算

来源: 华南理工大学学报(自然科学版) 2019年12期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 计算机软件及计算机应用,自动化技术

单位: 华南理工大学机械与汽车工程学院

基金: 国家自然科学基金资助项目(51675186,51765007),国家自然科学基金委员会与英国爱丁堡皇家学会合作交流项目(51911530245),华南理工大学中央高校基本科研业务费资助项目(D2181830)~~

分类号: TP18;TP391.41

页码: 1-8

总页数: 8

文件大小: 2143K

下载量: 124