目錄
前言
第1章 緒論 1
1.1 裝配過程監(jiān)測的意義 1
1.2 裝配過程監(jiān)測的國內外研究現狀1
1.2.1 裝配體監(jiān)測的研究現狀 1
1.2.2 裝配操作監(jiān)測的研究現狀.8
1.2.3 螺栓裝配力 /力矩監(jiān)測的研究現狀 12
1.3 本書主要內容 16
第2章 人工智能技術基礎 19
2.1 隨機森林分類器 19
2.1.1 決策樹模型 19
2.1.2 隨機森林分類器模型20
2.2神經網絡技術20
2.2.1 單層感知器 20
2.2.2 全連接神經網絡 21
2.2.3 卷積神經網絡 24
2.2.4 循環(huán)神經網絡 27
2.2.5 長短期記憶神經網絡 28
2.3 開發(fā)平臺 30
第3章 深度圖像標記樣本庫構建 32
3.1 合成深度圖像標記樣本庫構建 32
3.2 真實深度圖像標記樣本庫構建 34
3.2.1 Kinect傳感器 34
3.2.2 真實深度圖像的獲取及處理 35
3.2.3 真實深度圖像的標記 37
第4章 基于像素點特征提取算法的裝配體監(jiān)測 39
4.1 基于 PX-LBP特征的像素分類 39
4.1.1 PX-LBP特征提取算法 39
4.1.2 隨機森林分類器 44
4.1.3 實驗及結果分析 45
4.2 基于深度差分特征的像素分類 50
4.2.1 深度差分特征 50
4.2.2 實驗及結果分析 54
4.2.3 PX-LBP特征與深度差分特征對比 57
4.3 零件識別及裝配監(jiān)測 60
4.3.1 像素預測圖像獲取 61
4.3.2 基于深度圖像的零件識別 62
4.3.3 基于深度圖像的裝配監(jiān)測 64
第5章 基于深度學習的裝配體監(jiān)測 73
5.1 基于多跳躍式全卷積神經網絡的裝配體深度圖像語義分割方法 73
5.1.1 多跳躍式全卷積神經網絡.73
5.1.2 實驗及結果分析 75
5.2 基于可訓練引導濾波器和多尺度特征圖的裝配體深度圖像語義分割方法 81
5.2.1 基于可訓練引導濾波器和多尺度特征圖的網絡結構 81
5.2.2 其他語義分割網絡 83
5.2.3 實驗相關設置 87
5.2.4 實驗及結果分析 88
5.3 基于U-Net的裝配體深度圖像輕量級語義分割方法 93
5.3.1 U-Net網絡結構 93
5.3.2 SKC-UNet+DenseCRF網絡結構 94
5.3.3 其他語義分割網絡 99
5.3.4 實驗相關設置 103
5.3.5 實驗及結果分析 104
第6章 基于深度學習的裝配操作監(jiān)測 112
6.1 基于三維卷積神經網絡的裝配動作監(jiān)測 112
6.1.1 裝配動作監(jiān)測流程及數據集的建立 112
6.1.2 三維卷積神經網絡模型結構 115
6.1.3 基于批量歸一化的改進三維卷積神經網絡 118
6.1.4 實驗及結果分析 120
6.2 基于目標檢測的裝配工具檢測 124
6.2.1 裝配工具監(jiān)測流程 124
6.2.2 目標檢測相關模型分析 125
6.2.3 實驗及結果分析 128
6.3基于姿態(tài)估計的裝配動作重復次數檢測 133
6.3.1 研究流程 133
6.3.2 姿態(tài)估計模型分析 133
6.3.3 實驗及結果分析 135
第7章 基于表面肌電圖信號的螺栓裝配監(jiān)測 141
7.1 螺栓裝配扭矩實驗臺及數據集建立141
7.1.1 螺栓裝配扭矩實驗臺 141
7.1.2 扭矩分類數據集制作及數據預處理 143
7.1.3 扭矩回歸數據集制作及數據預處理 145
7.2基于卷積神經網絡的裝配扭矩分類粒度估計 148
7.2.1 多粒度分割并行卷積神經網絡 148
7.2.2 2D CNN模型 149
7.2.3 實驗及結果分析 150
7.3 基于回歸神經網絡的螺栓裝配扭矩監(jiān)測 159
7.3.1 基于回歸神經網絡的螺栓裝配扭矩監(jiān)測流程 160
7.3.2 回歸神經網絡模型 160
7.3.3 實驗及結果分析 165
第8章 總結與展望 172
8.1本書總結 172
8.2研究展望 173
參考文獻 175