包邮基于深度学习的装配监测

目录前言第1章绪论11.1装配监测的意义11.2装配监测的研究现状21.2.1装配监测21.2.2动作识别31.2.3图像变化检测71.2.4位姿估计91.2.5深度学习网络模型部署111.3本书主要内容12第2章卷积神经网络与Transformer模型理论基础142.1卷积神经网络142.1.1卷积神经网络基本结构142.1.2卷积神经网络主要模块162.1.3卷积神经网络训练过程182.2Transformer模型192.3深度学习网络框架及部署工具202.3.1深度学习网络框架202.3.2部署工具202.4本章小结21第3章基于深度学习的装配动作识别223.1基于表面肌电信号和惯性信号的装配动作识别方法223.1.1装配动作识别流程223.1.2信号采集233.1.3信号预处理243.1.4基于通道注意力时空特征的卷积神经网络263.1.5实验环境参数设置及评价指标283.1.6模型实验验证293.2基于注意力机制和多尺度特征融合动态图卷积网络的装配动作识别方法323.2.1基于注意力机制和多尺度特征融合的动态图卷积网络333.2.2数据集的制作373.2.3实验结果与分析393.3基于视频帧运动激励聚合和时序差分网络的装配动作识别方法453.3.1运动激励聚合和时序差分网络453.3.2数据集的制作503.3.3实验结果与分析503.4本章小结56第4章基于深度学习的机械装配体多视角变化检测与位姿估计574.1基于深度图像注意力机制特征提取的机械装配体多视角变化检测方法574.1.1基于深度图像注意力机制特征提取的多视角变化检测网络574.1.2数据集的制作624.1.3实验环境与指标选取644.1.4实验结果与分析654.2基于三维注意力和双边滤波的机械装配体多视角变化检测方法704.2.1基于三维注意力和双边滤波的变化检测网络704.2.2数据集的制作744.2.3实验环境和指标选取754.2.4实验结果与分析764.3基于深度学习的机械装配体零件多视角位姿估计方法794.3.1机械装配体零件多视角位姿估计网络794.3.2DenseFusion位姿估计网络794.3.3数据集的制作824.3.4实验环境与指标选取844.3.5实验结果与分析844.4本章小结86第5章基于Transformer的机械装配体多视角变化检测与装配顺序监测875.1基于深度可分离卷积的特征融合和特征细化的机械装配体多视角变化检测方法875.1.1基于深度可分离卷积的特征融合和特征细化的多视角变化检测网络875.1.2数据集的制作905.1.3实验环境与指标选取915.1.4实验结果和分析925.2基于机械装配体图像多视角语义变化检测的装配顺序监测方法965.2.1装配顺序监测方法965.2.2数据集的制作1025.2.3实验环境与指标选取1045.2.4实验对比的其他变化检测网络1055.2.5实验结果与分析1085.3本章小结113第6章基于深度学习的RV减速器装配监测与部署1146.1RV减速器装配图像采集试验台及数据集制作1146.1.1RV减速器装配图像采集试验台1146.1.2RV减速器装配语义分割数据集1186.1.3RV减速器螺钉目标检测数据集1226.1.4RV减速器针齿目标检测数据集1236.2基于深度学习的RV减速器装配监测方法1246.2.1语义分割网络模型选择1246.2.2语义分割网络模型训练1286.2.3目标检测网络模型选择1306.2.4目标检测网络模型训练1326.3基于目标检测的针齿安装监测方法1336.3.1改进RetinaNet目标检测网络模型1336.3.2改进RetinaNet模型与YOLOv5s模型对比1436.4RV减速器装配监测软件设计1456.4.1图像采集模块1456.4.2图像预测模块1476.4.3零件监测模块1496.4.4界面操作模块1526.4.5RV减速器零件漏装监测实验1556.4.6RV减速器针齿安装监测实验1586.5本章小结160第7章总结与展望1617.1本书总结1617.2研究展望162参考文献164