1. 研究目的与意义（文献综述）

随着科技水平的不断提高，工业生产线上的技术也在不断发展，生产流水线日益智能化、便捷化，渐渐地劳动力开始慢慢被智能设备所取代。生产设备能否正常、高效地运作是当今社会生产活动中极为重要的一环。仪器仪表、精密机械、电子装备等行业均涉及整机系统的零部件装配，在生产设备整机组装之前，首先要对其各个组装部件、零部件进行合格品检测，确保每个部分正常运作。零件的识别是工业自动化检测中的重要环节。对于不同形状的零件，人工检测效率低、工作量大，劳动力和管理成本都相对高，但同时识别精度却难以保证，更有一些不适合人工识别和检测的任务，因此人工识别的速度和精度已难以满足如今的要求。近年来，计算机技术、数字图像处理技术、模式识别等技术发展非常高速，机器视觉开始逐渐应用于工业生产中，取代人工检测。机器视觉技术具有效率高、非接触式测量的优点。目前应用在零件识别中的机器视觉有利用图像边缘信息的，由于图像的边缘轮廓被视为物体与背景的分界线，体现出图像属性中的显著变化，包括深度上的不连续、表面方向的不连续、物质属性的变化和场景明暗的变化等。因此，可以通过使用边缘检测算子来分割目标物体与背景，进而提取出目标物体，然而这种方法虽然速度尚可，但是精度不高。另一种零件识别方法是使用灰度值金字塔算法，灰度值金字塔算法利用灰度值归一化的抗干扰性，同时金字塔算法从顶层运算故运算量较小，提高匹配速度的同时提高了零件识别的精度。尤其在部分遮挡的情况下，系统识别的准确性和抗干扰性有所提高。近年，基于深度学习的图像识别技术在复杂背景情况下取得了相当高的精度，在检测速度上也有了质的飞跃，已经在人脸识别、动作识别、目标检测、车牌识别等多个领域实现了大规模的商业化，而且卷积神经网络所具有的尺度不变性和位移不变性，不仅能有效解决现有方法鲁棒性较差的问题，同时对工件内部零件错位、机械精度、装配公差等情况具有较高的容错度，因此将深度学习这种前沿技术运用在零件识别领域具有非常高的实用价值。

2. 研究的基本内容与方案

本文拟采用深度学习技术来完成零件识别分类任务，由于无法获取工业使用的零件图像，拟使用python技术从互联网中使用爬虫技术收集常见零件类别(例如螺丝、齿轮、螺母等)的图像数据，通过人工分拣、清洗并标注制作一个用于该零件识别任务所用的数据集，并将数据集分割好训练集，验证集和测试集。深度学习编程框架拟采用tensorflow，拟选择一些常用的AlexNet、VggNet、Inception、Resnet、DenseNet等卷积神经网络结构进行对比实验，为避免数据不足造成网络过拟合，会采用一些数据增广技术包括翻转变换、随机修剪、色彩抖动、平移变换、尺度变换、对比度变换、噪声扰动、旋转变换等对训练数据集进行数据增广提高模型的鲁棒性，降低过拟合风险，尝试在网络训练过程中做一些可视化来视察网络训练的情况，通过调整超参数以提高模型在测试集中的性能。最后研究模型的运行速度，计算模型参数大小，检验是否适用于迁移到嵌入式设备，若模型过大需要尝试对模型进行相应的压缩和剪枝以确保模型能应用在工业场景中。

3. 研究计划与安排

(1) 第1－3周：查阅相关文献资料，明确研究内容，学习毕业设计研究内容所需理论的基础。确定毕业设计方案，完成开题报告。
(2) 第4－5周：熟悉掌握基本理论，完成英文文献的翻译。
(3) 第6－9周：熟悉相关编程语言与框架，搭建图像识别开发环境。
(4) 第10－12周：针对设计任务进行识别系统设计与实现。
(5) 第13－15周：系统测试，完成并修改毕业论文。
(6) 第16周：论文答辩。

4. 参考文献（12篇以上）

[1]刘磊.基于深度学习的汽车冲压件缺陷预测[d].大连理工大学,2018.

[2]吴桐.基于深度学习的复杂结构件装配正确性x射线检测算法研究[d].中北大学,2018.

[3]卜伟,徐显兵,肖江剑,王少剑,潘江锋,彭成斌.基于图像边缘特征的零件分类与定位算法[j].计量与测试技术,2018,45(09):52-55.