利用深度学习实现再制造检测

摘要 深度学习已成为各种应用中的尖端学习技术，包括图像识别、物体检测和定位、自然语言处理、预测和预测系统。由于其显著的适用性，深度学习可以应用于更广泛的新领域，包括再制造。再制造是一个将使用过的产品通过拆解、检查、清洗、翻新、重新组装和测试，以确保其状态符合带有保修的新产品条件的过程。这个过程复杂，需要对各个阶段有良好的理解以进行适当的分析。检查是再制造中的关键过程，保证再制造产品的质量。目前，这个过程在再制造过程中是一个昂贵的人工操作，大多数情况下依赖于操作员的专业知识。本研究探讨了深度学习算法在再制造检查中的应用，旨在实现检查过程的自动化。本文提出了一种基于深度卷积神经网络（DCNN）的新型基于视觉的检查系统，用于八种类型的缺陷，即凹坑、锈蚀、裂缝及其他组合故障。本次可行性研究使用的材料是100 cm × 150 cm的轻钢板材料，本地购买，并使用0.3兆像素的USB网络摄像头进行捕捉。初步研究的性能表明，DCNN在验证数据上的分类准确率可达到100%，在实时视频图像上的准确率超过96%，通过使用80%的样本数据集进行训练，剩余20%进行测试。因此，在再制造零件检查中，DCNN方法作为一种可能超越当前设计检查系统技术的方法具有很大的潜力。本研究是首次将深度学习技术应用于再制造检查。所提出的方法具有消除专家判断、降低成本、提高产量和改善精度的潜力。这项初步研究表明，深度学习技术有潜力彻底改变再制造中的检查。本研究为这些机会提供了宝贵的见解，为深度学习算法在再制造中的未来应用提供了一个起点。