基于深度学习的机器视觉研究.docx

摘要：螺纹紧固件作为机械设备密不可分的一部分，对工业化生产尤为重要，特别是在以制造业为主的中国，然而我国的螺纹加工行业的现状是成本高、盈利低，缺少高精密的测量设备是导致这一现状产生的重要原因。人工检测螺纹参数不仅效率低、误差大，还容易对螺纹紧固件产生损坏。针对以上情况，将机器视觉运用到螺纹检测称为近年来很多学者的研究方向。

本文分析了国内外螺纹检测及深度学习现状。从国内外螺纹检测现状可以看出，基于机器视觉的螺纹检测技术仍然停留在螺纹参数测量方面，并且大多采用Matlab图像处理工具，检测手段较为单一。另一方面，深度学习大多集中应用于字符识别、车牌识别等领域，基于深度学习的螺纹检测系统很少有学者研究。

提出了基于改进型卷积神经网络的螺纹检测系统，以实现自主学习螺纹特征从而减少人工参与带来的负面影响，提高螺纹图像识别效率。针对AlexNet网络计算参数多、运行速度慢等问题提出了改进措施：将卷积核分解为多个卷积核串联，增加卷积层数，加入非对称型卷积核。改进后的网络包含13层，其中有7个卷积层，2个全连接层和1个Softmax输出层。为了提高识别率，本文提出了将图像进行预处理并进行分割的方案，并将基于卷积神经网络的螺纹特征识别系统与基于边缘检测和SIFT算子的螺纹特征识别系统进行了对比来得出本文网络结构的有效性。

本文提出的13层卷积神经网络仍然有改进的空间，由于目前尚未有系统化的螺纹图片系统，很难对现有的卷积神经网络系统进行训练和验证。

关键词：螺纹识别；卷积神经网络；机器视觉；边缘检测

目录

摘要

ABSTRACT

第一章 绪 论-1

1.1 螺纹检测与机器视觉的现状及发展趋势-1

1.1.1螺纹检测的研究现状及发展趋势-1

1.1.2 基于深度学习的机器视觉研究现状及发展趋势-2

1.2 课题研究的意义-4

1.3 课题的主要研究内容-4

第二章 深度学习相关算法研究-6

2.1 深度学习常用模型-6

2.1.1 深度神经网络-6

2.1.2 深度信念网络-6

2.1.3 卷积神经网络-7

2.1.4 循环神经网络-8

2.2 卷积神经网络原理-9

2.3 卷积神经网络基本结构-11

2.4 卷积神经网络的训练-12

第三章 深度卷积神经网络结构设计-13

3.1 深度卷积神经网络结构设计-13

3.1.1 卷积层-13

3.1.2 非线性激活函数层-14

3.1.3 池化层-14

3.1.4 归一化层-15

3.1.5 分类层-15

3.2 改进型AlexNet-15

第四章 螺纹种类识别试验系统设计-18

4.1 螺纹种类识别试验系统框架的构建-18

4.2 螺纹图像采集平台设计-18

4.2.1 光源-18

4.2.2 照明方向-19

4.2.3 图像传感器-20

4.2.4 摄像机标定-21

4.3 螺纹图像预处理-22

4.3.1 图像灰度化-22

4.3.2 图像增强-22

4.3.3 图像分割-24

4.4 螺纹图像特征识别模块-25

4.4.1 螺纹图像特征提取-25

4.4.2 边缘检测识别模块-25

4.4.3 深度学习识别模块-26

4.4.4  尺度不变特征变换识别模块-28

第五章 总结与展望-30

5.1 总结-30

5.2 下一步工作展望-30

参考文献-32

致  谢-34