装配过程智能监测

前言
第1章 绪论 1
1.1 装配过程监测的意义 1
1.2 装配过程监测的国内外研究现状1
1.2.1 装配体监测的研究现状 1
1.2.2 装配操作监测的研究现状.8
1.2.3 螺栓装配力 /力矩监测的研究现状 12
1.3 本书主要内容 16
第2章 人工智能技术基础 19
2.1 随机森林分类器 19
2.1.1 决策树模型 19
2.1.2 随机森林分类器模型20
2.2神经网络技术20
2.2.1 单层感知器 20
2.2.2 全连接神经网络 21
2.2.3 卷积神经网络 24
2.2.4 循环神经网络 27
2.2.5 长短期记忆神经网络 28
2.3 开发平台 30
第3章 深度图像标记样本库构建 32
3.1 合成深度图像标记样本库构建 32
3.2 真实深度图像标记样本库构建 34
3.2.1 Kinect传感器 34
3.2.2 真实深度图像的获取及处理 35
3.2.3 真实深度图像的标记 37
第4章 基于像素点特征提取算法的装配体监测 39
4.1 基于 PX-LBP特征的像素分类 39
4.1.1 PX-LBP特征提取算法 39
4.1.2 随机森林分类器 44
4.1.3 实验及结果分析 45
4.2 基于深度差分特征的像素分类 50
4.2.1 深度差分特征 50
4.2.2 实验及结果分析 54
4.2.3 PX-LBP特征与深度差分特征对比 57
4.3 零件识别及装配监测 60
4.3.1 像素预测图像获取 61
4.3.2 基于深度图像的零件识别 62
4.3.3 基于深度图像的装配监测 64
第5章 基于深度学习的装配体监测 73
5.1 基于多跳跃式全卷积神经网络的装配体深度图像语义分割方法 73
5.1.1 多跳跃式全卷积神经网络.73
5.1.2 实验及结果分析 75
5.2 基于可训练引导滤波器和多尺度特征图的装配体深度图像语义分割方法 81
5.2.1 基于可训练引导滤波器和多尺度特征图的网络结构 81
5.2.2 其他语义分割网络 83
5.2.3 实验相关设置 87
5.2.4 实验及结果分析 88
5.3 基于U-Net的装配体深度图像轻量级语义分割方法 93
5.3.1 U-Net网络结构 93
5.3.2 SKC-UNet+DenseCRF网络结构 94
5.3.3 其他语义分割网络 99
5.3.4 实验相关设置 103
5.3.5 实验及结果分析 104
第6章 基于深度学习的装配操作监测 112
6.1 基于三维卷积神经网络的装配动作监测 112
6.1.1 装配动作监测流程及数据集的建立 112
6.1.2 三维卷积神经网络模型结构 115
6.1.3 基于批量归一化的改进三维卷积神经网络 118
6.1.4 实验及结果分析 120
6.2 基于目标检测的装配工具检测 124
6.2.1 装配工具监测流程 124
6.2.2 目标检测相关模型分析 125
6.2.3 实验及结果分析 128
6.3基于姿态估计的装配动作重复次数检测 133
6.3.1 研究流程 133
6.3.2 姿态估计模型分析 133
6.3.3 实验及结果分析 135
第7章 基于表面肌电图信号的螺栓装配监测 141
7.1 螺栓装配扭矩实验台及数据集建立141
7.1.1 螺栓装配扭矩实验台 141
7.1.2 扭矩分类数据集制作及数据预处理 143
7.1.3 扭矩回归数据集制作及数据预处理 145
7.2基于卷积神经网络的装配扭矩分类粒度估计 148
7.2.1 多粒度分割并行卷积神经网络 148
7.2.2 2D CNN模型 149
7.2.3 实验及结果分析 150
7.3 基于回归神经网络的螺栓装配扭矩监测 159
7.3.1 基于回归神经网络的螺栓装配扭矩监测流程 160
7.3.2 回归神经网络模型 160
7.3.3 实验及结果分析 165
第8章 总结与展望 172
8.1本书总结 172
8.2研究展望 173
参考文献 175