《基于深度學習的裝配監(jiān)測》以深度學習技術(shù)在機械產(chǎn)品裝配過程監(jiān)測中的應(yīng)用為主線，分別從裝配動作識別、機械裝配體多視角變化檢測與位姿估計、RV減速器裝配監(jiān)測與深度學習網(wǎng)絡(luò)模型部署等方面開展研究，建立了數(shù)據(jù)集，改進或提出了深度學習模型，對深度學習模型進行了訓練，并與已有的方法進行了對比�！痘谏疃葘W習的裝配監(jiān)測》共7章，主要內(nèi)容包括人工智能技術(shù)基礎(chǔ)，基于深度學習的裝配動作識別，基于深度學習的機械裝配體多視角變化檢測與位姿估計，基于Transformer的機械裝配體多視角變化檢測和裝配順序監(jiān)測，以及基于深度學習的RV減速器裝配監(jiān)測與部署，*后總結(jié)《基于深度學習的裝配監(jiān)測》內(nèi)容并進行展望。
更多科學出版社服務(wù)，請掃碼獲取。
1999年9月至2003年7月 山東大學機械設(shè)計制造及其自動化專業(yè)，獲學士學位
2003年9月至2008年12月 山東大學，獲機械電子工程博士學位
2007年1月至2008年1月 新加坡國立大學2009年2月至今 青島理工大學，講師，副教授，教授
2011年6月至2014年7月 西安交通大學從事博士后研究工作
2020年2月至2022年8月 青島理工大學機械與汽車工程學院副院長
2022年8月至今 青島理工大學科技處副處長主持國家級項目4項、省部級項目5項、橫向課題12項。發(fā)表SCI/EI論文50余篇，授權(quán)國內(nèi)外發(fā)明專利46項。獲省部級技術(shù)發(fā)明二等獎兩項（均排名第一）、山東省高等教育教學成果獎、山東省高校優(yōu)秀科研成果獎等獎勵4項。教育部儀器科學與技術(shù)教學指導委員會協(xié)作委員，中國機械工程學會成組與智能集成分會常務(wù)委員，青島市機械電子工程學會 常務(wù)副秘書長
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(xiàn)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(wǎng)絡(luò)模型部署11
1.3本書主要內(nèi)容12
第2章卷積神經(jīng)網(wǎng)絡(luò)與Transformer模型理論基礎(chǔ)14
2.1卷積神經(jīng)網(wǎng)絡(luò)14
2.1.1卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)14
2.1.2卷積神經(jīng)網(wǎng)絡(luò)主要模塊16
2.1.3卷積神經(jīng)網(wǎng)絡(luò)訓練過程18
2.2Transformer模型19
2.3深度學習網(wǎng)絡(luò)框架及部署工具20
2.3.1深度學習網(wǎng)絡(luò)框架20
2.3.2部署工具20
2.4本章小結(jié)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(yù)處理24
3.1.4基于通道注意力時空特征的卷積神經(jīng)網(wǎng)絡(luò)26
3.1.5實驗環(huán)境參數(shù)設(shè)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(wǎng)絡(luò)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(wǎng)絡(luò)33
3.2.2數(shù)據(jù)集的制作37
3.2.3實驗結(jié)果與分析39
3.3基于視頻幀運動激勵聚合和時序差分網(wǎng)絡(luò)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(wǎng)絡(luò)45
3.3.2數(shù)據(jù)集的制作50
3.3.3實驗結(jié)果與分析50
3.4本章小結(jié)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(wǎng)絡(luò)57
4.1.2數(shù)據(jù)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(jié)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(wǎng)絡(luò)70
4.2.2數(shù)據(jù)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(jié)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(wǎng)絡(luò)79
4.3.2DenseFusion位姿估計網(wǎng)絡(luò)79
4.3.3數(shù)據(jù)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(jié)果與分析84
4.4本章小結(jié)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(wǎng)絡(luò)87
5.1.2數(shù)據(jù)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(jié)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(shù)據(jù)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(wǎng)絡(luò)105
5.2.5實驗結(jié)果與分析108
5.3本章小結(jié)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(shù)據(jù)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(shù)據(jù)集118
6.1.3RV減速器螺釘目標檢測數(shù)據(jù)集122
6.1.4RV減速器針齒目標檢測數(shù)據(jù)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(wǎng)絡(luò)模型選擇124
6.2.2語義分割網(wǎng)絡(luò)模型訓練128
6.2.3目標檢測網(wǎng)絡(luò)模型選擇130
6.2.4目標檢測網(wǎng)絡(luò)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(wǎng)絡(luò)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(shè)計145
6.4.1圖像采集模塊145
6.4.2圖像預(yù)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(jié)160
第7章總結(jié)與展望161
7.1本書總結(jié)161
7.2研究展望162
參考文獻164
書單推薦
