基于机器视觉的中小金属制品企业MES系统设计与实现
这是一篇关于制造业信息化,MES,YOLOv5s,轻量化,低代码的论文, 主要内容为加快推进信息化与工业化的深度融合,是“中国制造2025”的战略任务。目前国内仍然有很多制造业企业尤其是中小规模制造业企业信息化程度低,而中小制造业企业生产业务随着其规模拓展不断变更,企业间业务差异大,需要定制适合企业业务的MES系统,而“万丈高楼平地起”的开发定制方式无疑会加大中小企业的成本负担。因此本文通过对开源软件架构Odoo进行二次开发,结合机器视觉目标检测技术设计并实现了国内某中小金属制品企业的MES系统,从而提升其管理的智能化水平。首先,本文针对国内某中小金属制品制造业企业的业务和管理需求进行了分析,通过需求分析详细设计了系统的架构,并介绍了系统技术栈。MES系统采用Odoo架构进行开发,核心功能按模块划分为员工管理、财务管理、仓储管理和生产管理,详细介绍了核心模块的数据库表设计和流程设计,并对部分用户界面进行了简单的介绍。其次,针对MES系统生产管理模块的质量检测功能的核心算法,通过稀疏训练和结构裁剪,并使用TensorRT加速推理的方法,提出了一种基于YOLOv5s轻量化改进的金属产品缺陷检测方法。通过设计实验验证了轻量化模型在保证推理精度的同时减小了模型体积、提升了模型推理速度,实现产品缺陷实时检测的效果。最后,对MES系统进行了系统测试,根据测试结果完善整个系统,保证系统功能和性能满足需求。并基于Odoo架构平台开发了低代码工具,该工具可以帮助开发人员快速构建Odoo应用,使开发人员仅通过用户界面填写应用信息、勾选赋予模块权限等简单交互操作即可在后台自动生成代码,提高应用开发的效率。
多层穿梭车快速伸缩货叉轻量化设计及动力学研究
这是一篇关于伸缩货叉,动力学,带传动系统,轻量化,多层穿梭车的论文, 主要内容为随着智能物流市场的迅速发展,高效率拣选的多层穿梭车作为托盘密集的智能高速立体仓库存储系统的核心自动化设备,已经在医药、电商、工业等诸多领域实现应用,对智能化立体仓库的作业效率和可靠性起着决定性作用。快速伸缩货叉及其传动系统作为核心部件,对多层穿梭车整机性能有着至关重要的影响。对于伸缩货叉及其传动系统的研究多数是基于经验设计方法的功能设计,亟待解决货叉轻量化设计及其传动系统动态设计问题。因此,高速、高加速工况下快速伸缩货叉系统的动力学问题成为制约高精度、高性能多层穿梭车产品研发的技术难点之一。针对上述存在的问题,本文主要研究如下:首先,以某多层穿梭车多级伸缩货叉为研究对象,建立现有多级货叉机构有限元模型,计算分析其静力学特性和模态特性。在此基础上,以新型截面形式开展多级伸缩货叉的轻量化设计,对比分析了不同材料特性和截面形式下新型多级伸缩货叉的变形和应力等静力学特性和固有特性,其具有良好的静刚度特性和模态特性,为快速伸缩货叉的轻量化优化设计提供了参考方案。其次,根据多级伸缩货叉系统的同步运动负载特点和变工况快速响应的要求,开展了包括平带背向齿-齿条中叉的带传动和齿轮-双齿条差动的底-中-前叉同步传动的快速多级伸缩货叉传动系统的选型设计。采用等效刚体和弹簧阻尼单元的组合方法,运用ADAMS建立了考虑张紧轮作用的带轮-平带背向齿-齿条的带传动系统的等效多体动力学模型,计算分析了不同张紧参数和工况下平带背向齿-齿条的带传动系统的振动位移和啮合特性等动力学结果。同时,建立了单边多级伸缩货叉齿轮-双齿条差动的同步传动系统的多体动力学模型,计算分析了在中叉理想驱动下不同转速及负载对单边多级伸缩货叉出程回程的伸缩位移和快速响应等动态特性的影响。最后,基于多级伸缩货叉系统的实际工作条件,考虑带传动的动态特性和齿轮齿条差动的传动特性,建立了完整的多级伸缩货叉传动系统的多体动力学模型,计算分析了时变工况下双边伸缩货叉系统的同步存取货过程的动力学特性,为高速多层穿梭车快速多级伸缩货叉系统的动态设计和动力学研究提供参考依据。
基于U型网络的脊髓型颈椎病MRI分割方法的研究
这是一篇关于脊髓型颈椎病,图像分割,深度学习,ResNet18,轻量化的论文, 主要内容为脊髓型颈椎病(Cervical Spondylotic Myelopathy,CSM)是颈椎病中最常见的类型,主要是由颈椎椎骨间连接结构退变导致的,利用深度学习图像分割技术可以对CSM核磁共振成像(Magnetic Resonance Imaging,MRI)进行分析和处理,对CSM的诊断和治疗有十分重要的作用。由于CSM图像在分割病灶部位有一定复杂的特征信息,医生手工标记分割需要大量时间。此外,由于CSM受挤压椎管的两边呈现出不规则曲线形状,也加大了对病灶区域的标记难度,虽然近年来诞生了许多经典的医学图像分割方法,但对于这类疾病的分割效果并不理想,无法满足对CSM分割的需求。针对上述问题,本文提出了两种改进方法,能够在一定程度上提取CSM病灶区域的细致特征信息,并通过各种实验分析验证了所提出方法的有效性。本文的主要研究工作如下:(1)针对CSM图像分割难以提取边缘特征的问题,提出一种基于Res Net18和注意力机制的图像分割方法SER18-UNet(SENet-Res Net18-UNet),通过将改进的Res Net18残差模块和SENet注意力机制模块进行集成,构成SER18-UNet新的编码器,提取CSM受挤压椎管的不规则部位特征,再与U-Net的解码器相连接,实现网络的上采样阶段。经过实验,SER18-UNet对于CSM数据集分割的MPA和MIo U分别达到0.9306和0.8998,在分割精度和准确率上都超过了经典网络模型。(2)针对CSM图像分割效率低的问题,提出一种轻量化的分割网络模型M-UNet(Mobile Netv2-UNet),将U-Net网络的编码器替换成轻量化网络Mobile Netv2,可以减少网络参数量和计算量,加快网络训练速度,网络的解码器部分将激活函数替换成Leaky-Re LU,增强网络的表现力,使网络更好地拟合标签。最终实验显示使用M-UNet分割方法训练测试CSM图像,MPA和MIo U分别达到0.9028和0.8894,计算量和参数量分别为5009.60m FLOPs和2.66M,表明M-UNet对椎管的不规则边缘部位达到了一定的分割效果,且相较于Deep Labv3+计算量和参数量减少约16.5倍和20.5倍。(3)基于SER18-UNet分割方法,设计并实现了一个脊髓型颈椎病MRI分割系统。该系统实现输入CSM原始图像,利用训练好的权重文件,在系统上展示并保存CSM分割结果。
基于图像语义特征和深度哈希特征检索的虚拟试穿系统研究
这是一篇关于服装检索,特征提取网络,深度哈希学习,轻量化,虚拟试穿的论文, 主要内容为互联网和电子商务技术近年获得了飞速发展,在线购物正成为人们日常生活中的普遍选择,用户可以根据自己的喜好在购物平台上挑选心仪的服装。目前在线服装购物平台虽然取得了巨大的发展,但仍存在以下不足:1)网购模式下,消费者无法根据图文信息预测自身的试穿效果,导致退换货率一直居高不下;2)虚拟试穿技术可以在一定程度上缓解网购平台大量退换货的压力,但现有的虚拟试穿体验主要依赖于用户主动选择,大多缺乏对感兴趣商品的推荐虚拟试穿功能,缺乏个性化和高准确性的推荐试穿体验。因此有必要开发具有精确检索能力的在线虚拟试穿系统。近年来,相较于传统算法,基于卷积神经网络模型语义特征的图像检索方法能够获得更优质的图像语义信息和更高的检索效率,但缺乏在复杂场景下对服装目标区域和背景信息的区分,导致检索准确率受限。而基于深度哈希方法的服装检索虽然能够实现高效的服装匹配,但对于不同类型的相似服装的区分能力仍需进一步提升。为解决上述问题,本文基于深度学习技术,设计了一种高准确率、低延时的基于服装图像检索的虚拟试穿系统。可以解决现有的虚拟试穿系统仅针对用户主动选择的服装图像虚拟试穿问题,更大程度地通过检索减少用户查询时间,丰富购物体验。论文主要从卷积神经网络和深度哈希方法两个方面对图像检索技术进行优化,为用户提供更加准确的服装检索推荐功能,同时考虑到设备的部署问题,进行了模型轻量化构建,主要研究内容如下:(1)针对现有图像检索方法在背景复杂和目标区域小等因素下对服装图像位置信息在空间上难以捕捉的问题。本文在Rep VGG结构中引入坐标注意力模块,加强了网络对目标服装在空间方向上的位置信息和长距离依赖关系的关注,准确定位服装对象所在区域,忽略冗余的周边背景信息。同时,为了加强网络对服装图像上下文信息的获取,提高特征利用率,构建了一个两分支空洞卷积特征融合结构FFM,可获得图像多尺度感受野特征信息。改进后的Rep VGG方法在In-shop服装检索数据集上分类准确率和检索准确率分别达到96.5%、85.71%,比原始算法提高了1.6%和2.45%。(2)针对现有深度哈希算法较少利用数据集全局监督信息,对分类困难样本生成的哈希码紧致性和分离性约束不足,以及未充分利用生成哈希码的类别级语义带来的语义信息丢失等问题。提出了一种非对称中心相似度哈希算法,该算法损失函数融合了对比损失、中心相似度损失和基于标签平滑的类别损失。其中,对比损失能够保持原始图像在汉明空间上的相似关系,类别级损失能够关注哈希学习中语义空间分布问题,增强类似哈希码的潜在关联性,中心相似度损失则引导哈希函数生成分布更加收敛的哈希码,有效改善哈希码对困难样本的判别能力。实验表明,所提算法在服装检索数据集上检索精度m AP达到83.5%,相较于深度哈希方法ADSH和CSQ方法分别提升了1.9%和11.2%。(3)针对深度哈希算法在移动终端部署模型参数量大、推断速度慢等问题,利用Mobile Net-V2主干网络进行轻量化改进,改进后的模型参数量为2.31M,较Res Net50-ACSQH模型下降了21.22M,检索精度仅下降了0.22%。为弥补模型轻量化带来的精度损失,通过引入FPN融合网络和无参注意力机制提升了对服装语义特征提取能力,优化后的Mobile Net-ACSQH模型相较Res Net50-ACSQH参数量减少了78.6%,精度提升了1.53%,满足了终端设备的实时性和精度要求。(4)最后,设计了一款基于服装图像检索的虚拟试穿系统。系统功能包括用户管理、服装检索、服装试穿、检索信息统计等。实现了虚拟试穿系统的个性化推荐功能。
基于场景特征融合的海参目标检测及轻量化模型研究
这是一篇关于水下目标检测,海参检测,场景特征融合,Transformer,轻量化的论文, 主要内容为随着对海参需求的不断增加,探索海参目标探测技术可以协助机器人完成海参捕捞任务,这有助于缓解人工捕捞海参作业存在的危险和风险问题,同时也能够促进海洋资源的可持续开发和利用。近年来,陆地目标检测算法研究取得了显著的成果,例如一些基于目标检测的遥感影像分析方法已经能够实现对城市、农田、森林等不同类型陆地的自动化检测和分类,为生态保护、土地管理和城市规划等领域的应用提供了有力支持。虽然计算机视觉和深度学习技术的快速发展为陆地目标检测带来了巨大的进步,但是水下目标检测算法的研究相对来说还比较薄弱,尤其是具备针对性的海参检测算法寥寥无几。关于海参检测算法的研究主要存在以下困难:由于复杂的海底环境与成像设备的局限性等因素,使水下图像存在噪声污染、对比度低、颜色失真等问题,使得海参检测面临水下目标检测的共性困难;此外,海参拥有出色的自我保护机制,它们的身体颜色可以随着环境颜色的变化而发生变化,因此海参身体特征与环境特征高度相似,这也是海参检测任务中最大的困难;在实际的水下目标检测算法应用落地时,常常面临着微型嵌入式设备计算资源紧缺,无法很好地进行部署与检测。针对以上问题,本文的主要研究内容如下:1.对国内外水下海参目标检测和检测模型轻量化的研究和发展情况进行了详细介绍,为后续的实验工作打下了坚实的基础。此外,还简要概述了卷积神经网络的基本组成和工作原理,基于Anchor与基于Anchor-free的两大检测路线的理论方法,最后还对目标检测的评估指标进行了简要介绍,为后续深入研究水下海参目标检测算法以及对算法性能进行评估打下了基础。2.针对水下图像存在的噪声污染、对比度低、颜色失真等共性问题以及海参识别中存在形态模糊、与背景高度相似以及特殊生态场景共存等特点,本章节中提出一种基于改进Center Net和场景特征融合的水下海参目标检测算法FACenter Net。该算法使用Efficient Net-B3作为骨干网络来降低模型的Params和FLOPs,并通过增加模型的深度和宽度以提高精度。然后,本文设计了基于三级Transformer的并联FPT模块以充分聚焦和挖掘不同空间、不同尺度的海参生态场景信息(例如海参刺、礁石、水草时常与海参存在于同一个场景中)。最后,本文还设计了AFF模块以寻求更好的特征融合方式,AFF模块采用了基于MS-CAM注意力机制的设计思路,通过引入全局特征的注意力和局部特征注意力针对性解决待融合的海参浅层细节特征与高层语义特征语义差异较大问题,从而提高了模型的性能。该算法具有较高的检测精度、能够应对模糊的海参、小尺寸海参和密集场景下的海参检测任务,并实现了检测精度、Params与FLOPs之间的平衡。3.针对当前深度学习单阶段检测算法综合性能不平衡以及难以在嵌入式设备上部署的问题,本章提出了一种面向嵌入式平台的高性能海参目标检测算法ESGC-YOLOv5s。该算法在上一章节的研究数据基础上,采用精度较高、轻量化性能突出的YOLOv5s作为基础网络,并进行了更加轻量化的改进优化。首先,采用Shuffle Net V2的改进版本ESNet作为主干网络,重点提升模型的整体轻量化性能。其次,将Ghost CSP模块应用于YOLOv5s网络的瓶颈层,采用使用少量卷积生成更多的特征图的思想,降低模型的瓶颈层的复杂度和计算量,完成对瓶颈层的轻量化处理。这两种策略使得算法在仅损失一小部分精度的情况下,显著降低了模型的Params和FLOPs,获得更好的轻量化性能。实验结果表明,与其他水下目标检测方法相比,本章提出的算法在Params和FLOPs上具有显著的优势,同时也保证了较高的精度。ESGC-YOLOv5s算法始终围绕着轻量化技术,适用于算力极低的移动端部署,具有实际应用意义。
红外小目标检测算法的轻量化网络设计及硬件实现
这是一篇关于轻量化,红外目标检测,YOLOv5,ShuffleNetv2,FPGA的论文, 主要内容为随着材料科学的进步,隐形飞机的应用使得主动雷达探测面临严峻的挑战,红外探测技术可以有效的解决这问题。由于红外图像中的小目标占有的像素和纹理信息比较少,导致检测难度大,同时相关的检测算法模型结构复杂、参数量大,不适用于嵌入式设备的部署。基于此,本文针对红外场景下无人机目标检测算法的轻量化网络设计与硬件实现问题展开研究,主要内容包括如下:1、针对传统目标识别算法在红外场景下对小目标识别精度低、实时性差、检测难度大等问题,提出了基于红外场景下的FS-YOLOv5轻量化模型。首先采用单阶段目标检测网络YOLOv5s作为基础网络,提出了一种引入SimAM无参注意力机制的FS-ShuffleNetv2网络代替原网络中的CSPDarkNet主干网络来提取特征图像;其次,在原网络CIoU损失函数的基础上引入Power变换,替换为α-CIoU,提高网络对小目标的检测能力;然后将K-means++聚类算法应用在自制的FR数据集上重新生成Anchor,最后根据数据集中待检测对象为小目标的特点对网络的检测头进行删减,进一步精简模型。通过在FR红外小目标数据集上的消融实验验证了 FS-YOLOv5轻量化算法满足红外场景下无人机目标的检测任务。与原网络相比,在平均精度仅降低0.98%,召回率降低2.9%的前提下,FS-YOLOv5模型的大小减少了5.22M、检测速度提升了 33FPS、网络计算复杂度降低了13.4G,满足了在移动端部署的需求。2、为了满足无人机识别系统对算法实时性和便携性的要求,利用FACE-Z7-B开发平台完成对无人机识别算法的硬件加速系统设计。在硬件设计中,根据FS-YOLOv5网络结构特点将硬件系统进行划分,采用了基于权重固定的脉动阵列加速方案,并完成了脉动阵列模块、池化模块、激活函数模块的设计和仿真验证,最后基于FACE-Z7-B开发平台进行系统验证和性能评估。评估结果表明,本文设计的硬件加速系统在150MHz的时钟频率下,处理一张图片仅需172ms,功耗仅需5.461W。与Cortex-A9处理器的推理速度相比,加速器在功耗增加3.926W的前提下实现了约70倍的加速,同时本文设计的加速器具有低功耗的特点,约为GPU的1.7倍、CPU的20倍。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码工厂 ，原文地址：https://m.bishedaima.com/lunwen/46316.html
