Print

改进卷积神经网络算法在机械零件实时识别与定位中的应用

论文摘要

通用的目标识别与定位卷积神经网络算法难以兼顾精度和速度的要求。本文在YOLO v2卷积神经网络的基础上,采用多尺度训练、网络预训练和k-means维度聚类等优化方法,提出了机械零件实时识别与定位的改进卷积神经网络算法。本文以螺母和垫片2种物体为识别与定位的对象,以工业传送带为场景,同时考虑到了传送带上干扰物的存在,对改进算法的准确率和速度进行了实验测试。实验结果证明本文的算法相对其它常用目标检测卷积神经网络算法在识别准确率和速度上达到了很好的平衡,为零件实时分拣提供了基础。

论文目录

  • 0 引言
  • 1 基本理论
  •   1.1 卷积神经网络的特点
  •   1.2 CNN模型
  •   1.3 YOLO算法
  • 2 用于机械零件识别和定位的改进算法
  •   2.1 网络预训练
  •   2.2 多尺度训练
  •   2.3 用k-means维度聚类法优化候选框
  • 3 实验与结果分析
  •   3.1 实验配置与训练结果
  •   3.2 改进算法的效果
  • 4 结束语

    • 文章来源

    类型: 期刊论文

    作者: 王乐,周庆华,王磊,蒋华胜,林思宇

    关键词: 卷积神经网络,机械零件,目标检测

    来源: 智能计算机与应用 2019年01期

    年度: 2019

    分类: 信息科技,工程科技Ⅱ辑

    专业: 机械工业,自动化技术

    单位: 长沙理工大学物理与电子科学学院

    基金: 湖南省教育厅资助科研项目(16K003)

    分类号: TP183;TH17

    页码: 36-41+46

    总页数: 7

    文件大小: 401K

    下载量: 303

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/44d381ca73cd5a0fa66afaf3.html