基于卷積神經網絡的故障指示器狀態(tài)識別研究.pdf

1、隨著機器視覺技術的發(fā)展，越來越多的產品質量檢測采用數字圖像處理技術進行分析與識別，能夠極大地提高生產的自動化程度。為實現工廠生產的故障指示器產品質量智能檢測，本文基于卷積神經網絡的故障指示器狀態(tài)識別進行研究，能夠有效地解決產品生產過程中的產品質量檢測問題，實現工業(yè)生產自動化、智能化、綠色化和高效化。
　　本文針對故障指示器狀態(tài)智能識別任務，分別從構建識別系統、改進卷積神經網絡（Convolutional Neural Networ

2、ks，CNN）模型、實驗驗證等方面進行了研究。通過分析故障指示器產品檢測場景，構建了圖像采集系統并采集了故障指示器的原始視頻圖像。設計了識別算法流程，并實驗驗證了將CNN直接用到故障指示器原始圖片上進行狀態(tài)識別的可行性，同時分析實驗結果，找出了傳統CNN在此任務中存在的問題，啟發(fā)了后續(xù)對原始圖片的處理和CNN的改進工作。而后，針對現實場景中模糊、光照不均勻、色偏的故障指示器圖片，本文對圖片進行濾波、增強和高光消除等預處理，減少了各種因素

3、對識別的影響，進一步采用基于閾值、邊緣檢測和聚類的方式對圖像進行分割實驗，接著對圖片進行平移、旋轉、縮放等數據擴充方式增大數據量，提升小樣本對訓練卷積神經網絡的識別性能。針對傳統CNN模型魯棒性問題，本文改進網絡結構，對網絡加入尺度估計，提出了多尺度卷積神經網絡模型，通過實驗驗證了該方法的魯棒性；針對傳統的CNN的收斂時間長，識別率低的問題，分析已收斂的CNN各核函數之間存在很大的相關性，提出了小波變換初始化第一層核函數的方法，實驗表明