检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

发展中国旅游工业刍议

中华文化论坛 2020年第6期 95-100,153页

作者：李玉南京大学中华民国史研究中心江苏南京210000 南京大学历史学院中国酿造史研究中心江苏南京210000

旅游工业是工业旅游转型升级的出路之一,是一种新型业态。其产出不以工业产品计量,而以旅游服务作为主要的收益来源,是专为“旅游”而兴办的“工业”。旅游工业具有生产性、观赏性、参与性与文艺性等特点,可以在食品加工、器物烧造与工... 详细信息

旅游工业是工业旅游转型升级的出路之一,是一种新型业态。其产出不以工业产品计量,而以旅游服务作为主要的收益来源,是专为“旅游”而兴办的“工业”。旅游工业具有生产性、观赏性、参与性与文艺性等特点,可以在食品加工、器物烧造与工艺制作等行业进行试点推广。旅游工业设计应在流程、情景、情节与安全等方面多加注意,使“工艺”与“文艺”相得益彰,“观摩”与“体验”相互融合,从而提升行业发展水平。

关键词：工业旅游旅游工业工业场景游客参与

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深层神经网络的工业图像检测技术研究

基于深层神经网络的工业图像检测技术研究

作者：张博豪北方工业大学

学位级别：硕士

制造业占我国GDP约30%,是国民经济的主体。但大而不强、自动化水平偏低的问题客观存在。在产品的生产制造过程中,表面缺陷检测是不可或缺的关键环节。传统的表面缺陷检测任务由人工完成,面临着主观性强、效率低的问题。近年来,在设备算... 详细信息

制造业占我国GDP约30%,是国民经济的主体。但大而不强、自动化水平偏低的问题客观存在。在产品的生产制造过程中,表面缺陷检测是不可或缺的关键环节。传统的表面缺陷检测任务由人工完成,面临着主观性强、效率低的问题。近年来,在设备算力的推动下,深度学习技术促进了图像处理与计算机视觉技术的迅速发展。并且,在国家战略的推动下,深度学习技术正与制造业深度融合。针对工业场景的缺陷自动化检测需求,本文开展基于深层神经网络的工业图像缺陷检测算法研究。根据缺陷图像与自然场景图像的语义信息差异,提出的特征提取骨干网络充分复用前层特征,并为底层纹理信息提供快速向上传递通道。此外,使用多层特征融合及复用方法解决缺陷尺寸差异大、深层特征图存在小尺寸缺陷信息湮灭的问题。针对发动机活塞环的表面缺陷检测这一特定问题,借鉴Faster-RCNN双阶段检测算法的思想设计活塞环缺陷检测算法。本算法采用多任务学习思想,通过为骨干网络添加分类模块将有无缺陷的分类任务设为网络主任务。将缺陷检测设置为网络的子任务,并使用缺陷位置信息与类别信息的强监督信号引导骨干网络的每阶段学习指定的缺陷特征。网络参数的设置依据数据集的统计信息,并完成平台搭建与网络训练任务。使用评价指标对模型进行评估,证明了活塞环缺陷检测算法的有效性,与主流算法的对比实验验证了本算法的先进性。算法的嵌入式部署同样为工业场景的常见需求,本文提出了针对嵌入式设备的轻量化缺陷检测算法Embed Net。该检测算法的骨干网络引入深度可分离卷积大幅减低网络的参数量,提升算法的推理效率。实验围绕英伟达Jetson Nano嵌入式设备展开,使用活塞缺陷数据集验证Embed Net算法的有效性。经实验测试,Embed Net算法在Jetson Nano嵌入式设备的推理速度达到19FPS,若进一步使用Tensor RT技术对模型进行加速可将推理速度提升至25FPS,达到实时检测标准。

关键词：工业场景图像处理深度学习缺陷检测嵌入式

基于深度学习的工业零件分割与位姿测量算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的工业零件分割与位姿测量算法研究

作者：李宇哈尔滨工业大学

学位级别：硕士

随着深度学习技术的蓬勃发展,越来越多的场景可以使用到深度学习技术来达到自动化、智能化的操作,以此减少人工成本。而在生产制造和物流行业有着广泛应用的拣选系统更是走在利用深度学习技术的前列,拣选系统中主要涉及的深度学习任务... 详细信息

随着深度学习技术的蓬勃发展,越来越多的场景可以使用到深度学习技术来达到自动化、智能化的操作,以此减少人工成本。而在生产制造和物流行业有着广泛应用的拣选系统更是走在利用深度学习技术的前列,拣选系统中主要涉及的深度学习任务包括目标检测、实例分割以及位姿测量等。目前各大研究机构与各大高校都对拣选系统提出了自己的解决方案,但是,在工业场景下,对于摆放杂乱、纹理特征少、遮挡严重的工业零件,各算法的准确性却有待提高。因此,本文将以工业场景下的智能拣选系统为研究背景,针对工业零件的位姿测量问题进行研究,并且在研究的过程中由于也涉及到了实例分割的内容,因此提出了一种基于CenterMask的实例分割网络和基于DenseFusion的位姿测量网络,并进行了相关的实验来验证改进的实用性和准确性。首先,本文对深度学习相关的基础知识进行了介绍,其中着重介绍了卷积神经网络中的相关概念例如卷积层、池化层、损失函数和优化方法等并分析了现有研究各自的优缺点。接着本文介绍了在研究过程中提出的一种深度信息处理方法,该方法能够保留场景三维信息并且能够使用2D卷积操作来提取数据特征;以及一种由注意力机制所启发的用于特征融合的算法,该算法能够高效地融合RGB特征和深度特征,在融合特征的同时通过注意力机制抑制表现能力较低的特征,明确网络模型需要关注的特征通道,增强了特征的表现能力,提升了分割网络的表现效果。最后本文在现有研究成果CenterMask实例分割网络和DenseFusion位姿测量网络的基础上进行改进,逐模块地介绍了项目中所使用到的网络的构成,并通过实验证明了改进后网络模型能够在工业零件上的实用性和准确性,选定合适的阈值的情况下,改进后的CenterMask网络能够在单帧图像中分割出更多的零件,分割速度大约10帧/秒;改进后的DenseFusion测量出来的位姿,其ADD-S值几乎能够确保在1.8毫米之下。将改进后的网络模型应用到拣选系统中,通过多次实验,在30分钟内,机械臂平均能够进行122次抓取操作,抓取成功率约为97%。但是目前的研究成果仍然有深入研究的空间。

关键词：深度学习工业场景实例分割位姿测量信息融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

特种车辆远程调度监控系统设计

特种车辆远程调度监控系统设计

作者：刘声畅浙江大学

学位级别：硕士

当今时代,信息业迅猛发展,无人驾驶技术突飞猛进,工业生产却始终难以走出人力为主的模式。诸如叉车这样的特种车辆屡屡发生安全事故,危害一线工人的生命安全。在相对危险的工业场景下,无人驾驶、特种车辆智能监控技术将会为操作人员尤... 详细信息

当今时代,信息业迅猛发展,无人驾驶技术突飞猛进,工业生产却始终难以走出人力为主的模式。诸如叉车这样的特种车辆屡屡发生安全事故,危害一线工人的生命安全。在相对危险的工业场景下,无人驾驶、特种车辆智能监控技术将会为操作人员尤其是驾驶员的安全带来一定的保障。在井下、车间、矿山等生产环境中,特种车辆智能监控系统能够与运行中的特种车辆保持数据通信,实时向特种车辆反馈路况,持续监测并控制特种车辆的行驶情况,避免其发生意外。本文以Microsoft Visual Studio 2015为开发工具,以.NET Framework为基础框架,使用C#语言开发了一套特种车辆远程调度监控系统,该系统由中心调度服务器、消息转发服务器、特种车辆监测终端、特种车辆模拟终端组成,使用TCP/IP进行socket通信,遵循完整的内部通信协议,通过行驶策略算法与速度调整策略算法组成的建议速度算法,为特种车辆智能调度监控提供了一种解决方案。该系统运用成熟的数据库技术、网络通信技术、GDI+绘图技术等,实现了数据在服务器、终端、数据库之间的传输,能够结合交通状况和特种车辆自身信息来为特种车辆提供将来数个时刻的建议行驶速度,并且将时刻表与模拟线路绘制在界面中,为调度监控系统的操作人员提供便利。在本文设计的特种车辆远程调度监控系统中,中心调度服务器起到了最为核心的作用,相比于目前已有的各种特种车辆智能监控系统,本系统通过为中心赋予更多职责,来降低对车辆终端和监控系统使用场景的要求,一方面降低了系统的专用性,另一方面也降低了生产成本。

关键词：工业场景特种车辆建议速度调度监控

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于几何深度学习的三维点云场景理解研究

基于几何深度学习的三维点云场景理解研究

作者：赵姝馨上海交通大学

学位级别：硕士

三维数据处理和三维场景理解的发展在诸如机器人视觉、智能制造和自动驾驶等人工智能产业中具有至关重要的意义。由于点云数据是最典型的三维数据表示形式之一,基于几何深度学习的三维点云场景理解最近受到了广泛的研究关注。然而受限... 详细信息

三维数据处理和三维场景理解的发展在诸如机器人视觉、智能制造和自动驾驶等人工智能产业中具有至关重要的意义。由于点云数据是最典型的三维数据表示形式之一,基于几何深度学习的三维点云场景理解最近受到了广泛的研究关注。然而受限于点云的高维、稀疏、无序、采样多变等诸多不良特性,点云数据处理和三维点云场景认知技术一直是智能机器视觉进一步发展的关键瓶颈。本文主要研究面向非结构化制造场景下和复杂操作背景中的基于几何深度学习的三维点云场景理解技术,聚焦于三维视觉感知中的点云分类与语义分割、物体6D位姿估计、工业场景无纹理工件上的算法应用三个问题展开了一系列的研究:1.现有的点云深度学习方法大多数采用逐点构建特征空间的点云特征表示方法,这种方法计算量大,特征不稳定,且忽略了点云局部形貌的几何特征提取。为了更好地提取点云数据的形貌特征,本文设计了一种点云三维形貌描述子及三维形貌特征提取模块,并基于形貌特征提取模块构建了可用于点云分类及分割任务的点云深度学习模型。通过在多种公开数据集上进行的实验,证明了基于形貌描述子的三维点云分类与分割算法的有效性和优越性。2.基于二维RGB图像的目标位姿估计算法容易受到光源、光强、环境基色等条件的干扰,且对目标颜色和表面纹理信息依赖较强,而基于三维数据的位姿估计方法则具有后处理步骤复杂、点云特征提取不完整的缺陷。为了充分利用二维外观和三维几何信息对物体进行6D位姿估计,本文设计了一种基于2D-3D特征融合的物体6D位姿估计算法。通过卷积神经网络分别从二维RGB图像和三维点云数据中提取特征,并将二维外观和三维几何信息进行逐像素的融合,利用融合特征对物体进行位姿估计。通过在公开数据集上的实验证明了算法的有效性和优越性。3.三维点云场景语义分割算法和工件6D位姿估计算法对非结构化工业场景认知具有重要实用意义。本文在工业场景下进行了三维场景理解算法的应用,基于CAD模型样本自动生成技术和机械臂数据采集方法构建了虚拟工件全视角完整点云数据集和真实工件单视角点云数据集。针对真实工件点云标注费时费力的问题,我们提出了基于半监督学习的点云语义分割框架,并面向工业场景认知将半监督点云分割算法和位姿估计算法在多种无纹理工件数据集上进行了应用。通过在三维工件数据集上的实验验证了半监督点云分割算法和位姿估计算法的有效性。

关键词：几何深度学习点云三维语义分割位姿估计工业场景