基于深度学习的机器人视觉检测在汽车焊装中的应用.pdf

测试试验

基于深度学习的机器人视觉检测在汽车焊装中的应用

黄聪

柳州市第一职业技术学校，广西柳州，545616

摘要：研究了基于深度学习的机器人视觉检测系统在汽车焊装过程中的应用情况。构建了基于FPN

和残差注意力机制的两阶段目标检测网络，并在实际工业焊装场景中进行了系统搭建与算法测试。结果

表明，该模型达到了81.7%mAP的精度、40FPS的实时检测速度，优于其他检测算法，满足了工业级指

标要求。所提出的检测系统可实现焊接过程的自动监控与质量预测，但也存在一定漏检案例，还需扩充

样本并模型融合进一步提高鲁棒性。最后，证明了所构建系统与算法的有效性。

关键词：深度学习；机器人视觉；目标检测；焊接监控

中图分类号：U472.9收稿日期：2023-11-28

DOI：1019999/jcnki1004-0226202401027

1深度学习与机器人视觉检测技术视频流中的物体及其位置姿态信息。其基本原理是构

［3］

建一个由感知、决策、控制三个模块组成的系统。感

1.1典型的深度学习网络模型

知模块通过工业相机采集图像，并在GPU上利用深度

目标检测是计算机视觉中最具挑战性的问题之

学习模型实现目标框检出和分类。常用的检测网络输

［1-2］

一。传统的基于手工特征的方法在复杂场景下表现

出包括2D边界框4参数或3D立方体9参数以表示目

较差，而基于深度学习的方法因其端到端的训练方式和

标位置，类别概率表示目标类别。决策模块将检测结果

强大的特征学习能力而逐渐占主导地位。典型的深度

与预置规则等对比，采用模型预测控制算法计算出最优

学习目标检测网络结构复杂，通常由特征提取网络、区

的机械臂运动轨迹。控制模块则根据轨迹指令驱动执

域建议网络和分类回归网络三部分组成。

行机构完成抓取等动作。

以FasterR-CNN为例，其利用了优化后的ResNet

核心的深度学习目标检测网络通常基于卷积神经

结构进行特征提取，再通过RPN网络生成潜在目标框，

网络，通过很多卷积、池化层来学习多尺度特征表示，这

最后分类回归网络对框进行调整得到最终结果。另外，

种分布式特征对物体形态编码具有泛化能力。网络结

单阶段检测网络SSD和YOLO系列也因其检测速度快

构设计如双网络分离检测与分类等使其既保证准确率，

而被广泛应用于工业现场。这些网络的参数通常在几

又满足实时性要求。训练数据集采用强化过的数据增

万至几百万不等，训练数据集从图像级标签扩展到了实

广策略，模型在大量与真实场景近似的合成样本上迭代

例级别的框级标签，使模型学到了更加抽象复杂的