机械零件论文提纲

论文题目：基于注意力机制与深度学习的机械零件目标检测研究

摘要：智能制造是制造业转型升级的关键,其在提高生产效率和产品质量的同时,也为机械零件目标检测系统提出了新的挑战。传统的机械零件目标检测系统存在位姿检测误差大,种类识别精度低等问题;反观人类视觉系统凭借选择性注意机制,帮助其快速完成复杂环境下物体的检测。受此启发,本文通过对选择性注意机制原理的深入研究,开发了拟人的零件目标检测系统。主要研究工作包括:（1）应用一种鲁棒背景检测的零件显著性评估算法,检测机械零件视觉场景中的零件显著性;基于OTSU的图像分割方法,从零件显著性检测结果中获得精准的零件位姿信息。实验表明,本文提出的物体显著性检测和图像分割融合算法能快速计算和确定散乱环境目标零件的位姿。（2）基于耦合Hodgkin-Huxley神经元的选择性注意模型及其与注意力状态演变的同步动力学机制的研究,通过引入位置权重的零件显著性作为周围神经元的外界输入、神经元可塑性和神经元之间抑制作用累积时间的模型局部优化,设计的零件目标选择注意模块,提升了选择注意算法的合理性和目标零件的检测效率。（3）融合零件显著性检测模块、零件分割模块、零件选择注意模块,构建了显著零件选择注意系统,该系统可根据视觉场景中零件的显著性强弱依次选择显著的零件,并精准确定其位姿。实验结果表明,该系统能够对机械零件视觉场景中的显著零件取得良好的选择注意效果。（4）构建了基于残差网络的机械零件识别算法,对创建的包含9类共计2880张图像的机械零件数据库进行识别训练及测试。测试结果表明,本文的零件识别算法在复杂背景下对零件的识别准确率达到99%以上。（5）最后在显著零件选择注意系统中融入基于残差网络的零件识别模块,使其在检测到显著零件及其位姿的同时对零件进行种类识别。与传统检测算法相比,位姿检测误差小,种类识别精度高,更加接近人类视觉神经系统的信息处理原理。

关键词：机械零件;目标检测;图像显著性;视觉注意力;深度学习;ResNet50

学科专业：机械工程（专业学位）

摘要

Abstract

第1章 绪论

1.1 研究背景及意义

1.2 目标检测国内外研究现状

1.2.1 传统目标检测算法

1.2.2 深度学习目标检测算法

1.2.3 选择注意目标检测算法

1.3 本文主要研究内容

1.4 本章小结

第2章 显著性检测算法和图像分割算法

2.1 视觉显著性概述

2.1.1 视觉显著性与选择性注意的关系

2.1.2 显著性检测研究现状及分析

2.2 显著性检测算法及分析

2.2.1 显著性检测算法

2.2.2 结果分析

2.3 零件场景显著性检测

2.3.1 零件场景

2.3.2 结果分析

2.4 图像分割算法

2.4.1 图像分割与显著性检测的关系

2.4.2 OTSU算法

2.5 零件场景分割结果

2.6 本章小结

第3章 基于HH神经元的选择性注意模型

3.1 HH神经元模型

3.2 选择性注意概述

3.3 选择性注意模型

3.3.1 模型描述

3.3.2 PNs对CN1 的前馈兴奋性连接

3.3.3 CN1和CN2对PNs的反馈抑制性连接

3.4 选择性注意模型的优化

3.4.1 PNs外界输入的优化

3.4.2 神经元之间抑制机制的优化

3.4.3 关注持续时长的优化

3.5 选择性注意模型的动力学实验及应用

3.5.1 动力学实验

3.5.2 应用示例

3.6 选择性注意模型分析

3.7 本章小结

第4章 显著零件选择注意系统

4.1 选择注意流程

4.2 选择注意系统模块说明

4.2.1 零件显著性检测模块

4.2.2 零件分割模块

4.2.3 零件显著性检测与零件分割模块融合

4.2.4 零件选择注意模块

4.3 选择注意实验及系统分析

4.3.1 零件场景选择注意实验

4.3.2 选择注意系统分析

4.4 本章小结

第5章 基于残差网络的目标识别算法

5.1 卷积神经网络概述

5.1.1 卷积神经网络简介

5.1.2 卷积神经网络结构

5.2 ResNet50 模型

5.2.1 ResNet50 简介

5.2.2 ResNet50 模型结构

5.3 实验数据及环境配置

5.3.1 机械零件数据集

5.3.2 环境配置

5.4 网络参数及训练

5.4.1 ResNet50 模型超参数设置

5.4.2 卷积神经网络训练过程

5.5 实验结果分析

5.5.1 准确率与损失分析

5.5.2 对比分析

5.6 机械零件目标检测系统

5.6.1 模块关系及融合

5.6.2 机械零件目标检测流程

5.7 本章小结

第6章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢