目錄
前言
第1章緒論1
1.1裝配監(jiān)測的意義1
1.2裝配監(jiān)測的研究現狀2
1.2.1裝配監(jiān)測2
1.2.2動作識別3
1.2.3圖像變化檢測7
1.2.4位姿估計9
1.2.5深度學習網絡模型部署11
1.3本書主要內容12
第2章卷積神經網絡與Transformer模型理論基礎14
2.1卷積神經網絡14
2.1.1卷積神經網絡基本結構14
2.1.2卷積神經網絡主要模塊16
2.1.3卷積神經網絡訓練過程18
2.2Transformer模型19
2.3深度學習網絡框架及部署工具20
2.3.1深度學習網絡框架20
2.3.2部署工具20
2.4本章小結21
第3章基于深度學習的裝配動作識別22
3.1基于表面肌電信號和慣性信號的裝配動作識別方法22
3.1.1裝配動作識別流程22
3.1.2信號采集23
3.1.3信號預處理24
3.1.4基于通道注意力時空特征的卷積神經網絡26
3.1.5實驗環(huán)境參數設置及評價指標28
3.1.6模型實驗驗證29
3.2基于注意力機制和多尺度特征融合動態(tài)圖卷積網絡的裝配動作識別方法32
3.2.1基于注意力機制和多尺度特征融合的動態(tài)圖卷積網絡33
3.2.2數據集的制作37
3.2.3實驗結果與分析39
3.3基于視頻幀運動激勵聚合和時序差分網絡的裝配動作識別方法45
3.3.1運動激勵聚合和時序差分網絡45
3.3.2數據集的制作50
3.3.3實驗結果與分析50
3.4本章小結56
第4章基于深度學習的機械裝配體多視角變化檢測與位姿估計57
4.1基于深度圖像注意力機制特征提取的機械裝配體多視角變化檢測方法57
4.1.1基于深度圖像注意力機制特征提取的多視角變化檢測網絡57
4.1.2數據集的制作62
4.1.3實驗環(huán)境與指標選取64
4.1.4實驗結果與分析65
4.2基于三維注意力和雙邊濾波的機械裝配體多視角變化檢測方法70
4.2.1基于三維注意力和雙邊濾波的變化檢測網絡70
4.2.2數據集的制作74
4.2.3實驗環(huán)境和指標選取75
4.2.4實驗結果與分析76
4.3基于深度學習的機械裝配體零件多視角位姿估計方法79
4.3.1機械裝配體零件多視角位姿估計網絡79
4.3.2DenseFusion位姿估計網絡79
4.3.3數據集的制作82
4.3.4實驗環(huán)境與指標選取84
4.3.5實驗結果與分析84
4.4本章小結86
第5章基于Transformer的機械裝配體多視角變化檢測與裝配順序監(jiān)測87
5.1基于深度可分離卷積的特征融合和特征細化的機械裝配體多視角變化檢測方法87
5.1.1基于深度可分離卷積的特征融合和特征細化的多視角變化檢測網絡87
5.1.2數據集的制作90
5.1.3實驗環(huán)境與指標選取91
5.1.4實驗結果和分析92
5.2基于機械裝配體圖像多視角語義變化檢測的裝配順序監(jiān)測方法96
5.2.1裝配順序監(jiān)測方法96
5.2.2數據集的制作102
5.2.3實驗環(huán)境與指標選取104
5.2.4實驗對比的其他變化檢測網絡105
5.2.5實驗結果與分析108
5.3本章小結113
第6章基于深度學習的RV減速器裝配監(jiān)測與部署114
6.1RV減速器裝配圖像采集試驗臺及數據集制作114
6.1.1RV減速器裝配圖像采集試驗臺114
6.1.2RV減速器裝配語義分割數據集118
6.1.3RV減速器螺釘目標檢測數據集122
6.1.4RV減速器針齒目標檢測數據集123
6.2基于深度學習的RV減速器裝配監(jiān)測方法124
6.2.1語義分割網絡模型選擇124
6.2.2語義分割網絡模型訓練128
6.2.3目標檢測網絡模型選擇130
6.2.4目標檢測網絡模型訓練132
6.3基于目標檢測的針齒安裝監(jiān)測方法133
6.3.1改進RetinaNet目標檢測網絡模型133
6.3.2改進RetinaNet模型與YOLOv5s模型對比143
6.4RV減速器裝配監(jiān)測軟件設計145
6.4.1圖像采集模塊145
6.4.2圖像預測模塊147
6.4.3零件監(jiān)測模塊149
6.4.4界面操作模塊152
6.4.5RV減速器零件漏裝監(jiān)測實驗155
6.4.6RV減速器針齒安裝監(jiān)測實驗158
6.5本章小結160
第7章總結與展望161
7.1本書總結161
7.2研究展望162
參考文獻164