基于深度学习的RV减速器装配过程监测与部署研究
作者单位:青岛理工大学
学位级别:硕士
导师姓名:陈成军;翟伟伟
授予年度:2022年
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术(可授工学、理学学位)]
主 题:RV减速器 装配监测 语义分割 小目标检测 深度学习部署
摘 要:RV减速器是工业机器人的核心部件。在RV减速器的装配过程中,部分零件为工人手工装配,单纯依靠装配工人的操作经验和技能容易使装配体出现漏装零件等问题,如果不能及时发现装配过程中出现的问题,将会影响生产效率和产品质量,浪费企业大量的时间和成本。因此,本文研究了基于深度学习的RV减速器装配过程监测与部署方法,使用深度学习技术中的语义分割和目标检测算法预测RV减速器装配体深度图像和RGB图像,分析处理预测结果,识别已装配零件,监测漏装错误,并编写软件部署到工业生产环境中。针对缺乏RV减速器装配体数据集、缺少相关的深度学习技术研究、小零件目标检测效果差和深度学习模型部署等问题,本文开展了以下研究:(1)搭建了RV减速器装配图像采集试验台,使用Intel Realsense相机采集图像,编写图像采集程序,建立了三类数据集,分别为RV减速器装配过程语义分割数据集、RV减速器螺钉目标检测数据集和RV减速器针齿目标检测数据集,并进行了数据集预处理。(2)针对RV减速器装配过程中各个零件的特点,提出了基于深度学习的RV减速器装配体零件检测方法,使用语义分割算法检测装配体中相互遮挡且体积较大的零件,使用目标检测算法检测装配体中体积较小、相互独立且嵌入其他零件中的零件,并选取了U-Net、Fast-SCNN和HRNet语义分割网络模型在RV减速器装配过程语义分割数据集上训练,选取了YOLOv3、PPYOLO和Fast R-CNN目标检测网络模型在RV减速器螺钉目标检测数据集上训练。训练结果表明,Fast-SCNN在结果精度、推理速度和模型轻量化程度上均优于另外两个语义分割网络,YOLOv3在检测精度和推理速度上优于另外两个目标检测网络。(3)针对RV减速器装配体中针齿的特点,改进了Retina Net目标检测网络模型的特征提取骨干网络、注意力机制、交并比算法和锚框选择算法,并使用YOLOv5s与其对比。实验结果表明,改进Retina Net目标检测网络模型在大分辨率和小分辨率数据集上均有较好的表现。(4)针对深度学习模型在实际工程应用中部署难的问题,编写了RV减速器装配过程检测软件,软件包括RV减速器装配过程零件漏装监测和针齿安装过程监测两个单元,并利用Paddle X工具和Open VINO工具分别实现了两个单元的功能,同时对比了Paddle X工具和Open VINO工具的优缺点。实验结果表明,RV减速器装配过程检测软件可以正确监测装配过程中的各类零件是否存在漏装情况。本文建立了RV减速器装配体数据集,研究了基于深度学习的RV减速器装配过程监测方法,以及深度学习网络模型部署的方法,对实现装配自动化,推动制造行业智能化有一定的意义。