[01195937]基于Deeplab-ResNet的改进语义分割级联网络机器视觉检测

随着“中国制造2025”国家发展战略的实施,我国工业自动化水平不断提高,人工智能技术已经成为工业自动化检测的主要研究方向。2017年7 月 20 日,国务院发布了《国务院关于印发新一代人工智能发展规划的通知》。《规划》着重提到了构建人工智能科技创新体系、智能社会、智能经济,以及加强人工智能领域军民融合。2017年12 月工业和信息化部发布了《促进新一代人工智能产业发展三年行动计划（2018-2020 年）》,该计划可看做是前者的第一步战略,目标之一便是大力度开发智能和网络产品,如自动驾驶汽车、服务机器人和语音/图像识别系统。在这些项目中,机器视觉作为实现手段其研究意义便显得更为重要。 基于Deeplab-ResNet改进语义分割的级联网络机器视觉微型零件智能检测,从工件被检部位提取特征区域的研究方法,主要有微小特征区域快速聚类的研究、基于Gabor算子Deeplab-ResNet神经网络的改进语义分割研究、建立非标零件参数识别模型库,根据分割库使用快速学习型网络进行故障识别判断。主要技术如下： 1)基于旋转不变LBP的微型工件旋转自动定位,探究微型零件检测过程中的参数（包括转动角、仰角、行程速度、多反射系数域规划和纹理特征提取机理）对语义网络提取的影响,研究稳定、高效的微型零件装配参数优化方案。 2)探究基于ResNet网络的改进语义分割法机理,精确的输入样本是稳定高效建立数据集合的关键。研究语义中各个特征向量矩（RGB通道色、灰度共生矩阵、超像素轮廓、谱分割关系及纹理）的定义类型,及不同输入下语义分割域的变化规律,利用Gabor算子自适应地剔除数据异常域,以建立合理分割数据集; 本项目的创新性如下： 1) 利用旋转不变LBP算法对微型零件进行拍摄控制 2) 基于ResNet网络的改进的语义分割对图象特征智能表征 3) 利用分割后的表征进行基于级联网络快速识别与学习 通过将先进的人工智能的识别与聚类技术方向运用于实际制造生产中,从源头参与国外先进制造技术的应用研究中,推进我国自主创新和先进制造技术发展。帮助企业在先进制造技术应用和技术开发方案中保持高效和清洁,达到节能、高效、精密、自动化等目的。因此,采用基于Deeplab-ResNet改进语义分割的级联网络机器视觉微型零件智能检测研究具有显著的社会效益和深远的战略意义。