基于机器学习的精密检测若干关键技术研究

As an important branch of artificial intelligence, machine vision has been widely used in engineering practices. Deep learning represents the new direction of machine learning, and promotes the development of machine learning. To meet the practical needs of the development of artificial intelligence and engineering practice, the research contents are included as follows: 1) The reconnection of the neural networks are coincident with the binocular vision system in a physical sense, and a novel genetic algorithm is designed through quivering the entire system region by drawing lessons from the simulated annealing algorithm, so as to achieve the calibration of machine vision system and 3D reconstruction; 2) Through exploring the description method for the morphological features of mathematical model in the optimization interval, and the particle swarm optimization algorithm is introduce to obtain the global optimal solution, so as to achieve the calibration of eye–in-hand for a robot system; 3) Micro-drill blade surface defects are detected with restricted Boltzmann machine and deep belief networks; 4) Gears are detected based on hybrid convolution neural networks and support vector machine. The research project will add a new dimension to the diversified development of machine learning and machine vision, which is of important theory significance. At the same time, the realization of detection-micro drills and gears based on deep learning can solve the difficulty of feature extraction due to the complex structure and shape of the detection object, as well as the over fitting due to the big training data in practical engineering, which has wide application prospects.

机器视觉作为人工智能的一个重要分支，在工程实践中得到的广泛的应用；而深度学习代表了机器学习的新方向，并推动机器学习的发展。结合人工智能的发展与工程实践的现实需要，本课题探讨如下的研究内容：1）使所重组的神经网络与双目视觉系统在物理意义上一致，并借鉴模拟退火算法，通过对整个区域进行抖动操作，设计一个新型的遗传算法，实现对机器视觉系统的标定与三维重建；2）通过探究求解数学模型在寻优区间的形貌特征的描述方法，引入粒子群优化算法求得全局最优解，实现机器人手眼系统的标定；3）基于限制玻尔兹曼机与深信网络的微钻头刃面缺陷的检测；4）基于混合卷积神经网路与支持向量机的齿轮检测。项目研究将为机器学习与机器视觉的多样化发展增添一个新的维度，具有重要的理论意义；同时基于深度学习的微钻头与齿轮检测的实现可解决因为检测对象的结构与形状复杂致使特征提取的困难，以及训练数据巨大造成过拟合的难题，具有广阔的应用前景。

机器视觉是人工智能的一个重要分支，而深度学习为机器学习的向前发展提供了理论依据，其研究成果在工程实践中得到的广泛的应用，并为机器学习的研究提供了一个宽广的平台，推动人工智能的发展。结合机器学习的研究、发展需要以及本课题研究目标与内容，课题组成员从如下几方面进行了研究与探讨：1）通过对整个神经网络的参数的抖动操作，初步完成基于重组的神经网络的双目视觉系统的标定与三维重建；同时完成了空间直线基元在双目立体视觉系统中重建方法的研究，基于正交学习神经网络与灭点的摄像机内参数标定，以及类渐近线特性在摄像机标定中的应用研究；2）通过网络传感器等实现机器人手眼系统的标定，以及一种基于主动视觉系统的机器人手眼系统摄像机自标定方法等研究；3） 完成了高精密微钻头检测装置的光学系统的设计（即光轴垂直检测平台的设计），以及混合Hopfield网络和新型遗传退火算法的微钻头刃面缺陷检测；4）完成了面向齿廓偏差等精密检测的机器视觉关键技术的研究，以及基于计算机视觉的齿轮齿数、公法线长度变动检测，其中的齿数的检测中，首次运用极坐标变换算法对齿廓采样数据进行变换，将圆周上的齿廓曲线变换到水平方向，再采用相应的数据处理得到所检测齿轮的齿数。5）完成了基于语音识别和英语语音变化的MCU双语教学的研究、以及智能交通系统中基于视频图像处理的车辆检测与跟踪的研究。本项目为机器学习的最新研究成果的工程实践中的应用提供了示范性的引领作用，展示了人工智能的广阔应用前景，并促使机器学习的基础研究快速向前发展，具有重要的理论意义。