一个基于深度转移学习的视觉检查系统,用于类似类型的手动工具产品的组装缺陷

科学领域:

• 制造业 工程 制造工程
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 传统的手动工具检查方法往往耗时且不太准确.
• 自动缺陷检测对于改善制造过程中的质量控制至关重要.
• 深度学习为复杂的视觉检查任务提供了有希望的解决方案.

研究的目的:

• 开发和评估用于手动工具组件缺陷检测和分类的先进检查系统.
• 证明预先训练的深度学习模型能够有效地适应新的工具模型.
• 将拟议系统的性能与传统R-CNN方法进行比较.

主要方法:

• 使用深度学习基于区域的卷积神经网络 (R-CNN) 方法与转移学习.
• 采用AlexNet架构来检测和分类柔头拉切式钥匙的缺陷.
• 在三个装配站进行了实验评估,对不同类型的缺陷和样本大小进行了不同的评估.

主要成果:

• 亚历克斯网络模型在具有最高缺陷种类的站点实现了98.67%的分类准确性.
• 保持了98.66%的准确性,即使对新产品的样本大小减少了40%.
• 性能优于R-CNN模型,平均效率提高了9%,效率提高了26%.

结论:

• 拟议的深度学习系统为传统的手动工具检查提供了准确和高效的替代方案.
• 转移学习使缺陷检测模型能够有效地适应减少数据要求的新产品.
• 该系统在自动化工具组装检查的有效性和效率方面取得了显著的改进.