基于CNN的微差异标准件深度视觉学习与识别方法
针对装配过程中各检测对象多且互斥的特征,提出基于卷积神经网络(CNN)的微差异标准件深度视觉学习与识别方法.研究多分类Softmax回归转换到二分类Logistic回归的数学原理,以CNN与Softmax回归的特性,实现微差异标准件深度视觉学习;并将训练好的Softmax分类器转换为多个Logistic二分类器,以单个CNN网络实现多个样本的二分类.结果表明,LS-CNN可以实现对10种标准件的分类精度达到99.6％,且以二分类的模式运行时,对500个关键部件样本的识别准确度达到100％.
微差异标准件 深度视觉学习 目标识别 卷积神经网络 分类精度
黄坚 刘桂雄 林镇秋
华南理工大学机械与汽车工程学院 广州市华颉电子科技有限公司
国内会议
广州
中文
35-37
2016-12-01（万方平台首次上网日期，不代表论文的发表时间）