毕业答辩-基于机器视觉的拆接避雷器桩头接线的作业目标识别.ppt

基于机器视觉的拆接避雷器桩头接线的作业目标识别,毕业设计终期答辩指导老师：,12/6/2019,1,目录,课题背景需求分析和解决思路避雷器的图像处理神经网络模型支持向量机模型模型评估结论,12/6/2019,第2页,12/6/2019,第3页,0.课题背景,课题背景,对象：带电作业机器人目标：赋予其更高的智能化水平，实现自主操作,12/6/2019,第4页,12/6/2019,第5页,需求分析和解决思路,需求分析和解决思路,实验环境和需求分析,12/6/2019,第6页,需求分析和解决思路,机械臂,12/6/2019,第7页,需求分析和解决思路,避雷器,12/6/2019,第8页,需求分析和解决思路,作业任务过程图像采集寻找潜在目标避雷器获得避雷器的空间位置信息规划路径，使机械臂末端最终抵达至避雷器上方采集避雷器上端图像，分析其接线情况机械臂装配相应工具，完成拆接避雷器桩头接线的任务,12/6/2019,第9页,需求分析和解决思路,要求对于机械构造本身，高压绝缘保护对于机器视觉而言，复杂作业环境算法普适性、通用性强需要对微小零部件例如螺孔、螺母等进行识别和精确定位，精度要求在毫米量级算法精确、可靠。,12/6/2019,第10页,需求分析和解决思路,解决思路先利用图像处理算法发现可能的目标区域再利用机器学习模型判断区域是否为避雷器,12/6/2019,第11页,12/6/2019,第12页,2.避雷器的图像处理,第13页,避雷器的图像处理,12/6/2019,避雷器绝缘子的识别,避雷器的图像处理,12/6/2019,第14页,避雷器绝缘子的识别转化为HSV分量图像,避雷器的图像处理,12/6/2019,第15页,避雷器绝缘子的识别,避雷器的图像处理,12/6/2019,第16页,避雷器绝缘子的识别生成样本文档,避雷器的图像处理,12/6/2019,第17页,避雷器绝缘子的识别,避雷器的图像处理,避雷器绝缘子的识别制作600个正样本,12/6/2019,第18页,避雷器的图像处理,避雷器绝缘子的识别制作600个负样本,12/6/2019,第19页,避雷器的图像处理,避雷器接线螺母的识别,12/6/2019,第20页,避雷器的图像处理,避雷器接线螺母的识别,12/6/2019,第21页,避雷器的图像处理,避雷器接线螺母的识别,12/6/2019,第22页,避雷器的图像处理,避雷器接线螺母的识别,12/6/2019,第23页,避雷器的图像处理,避雷器接线螺母的识别,12/6/2019,第24页,12/6/2019,第页,3.神经网络模型,第页,神经网络模型,12/6/2019,自动编码器深度神经网络自动编码器是采用无监督式学习方式进行训练学习的深度神经网络运用了经典的BP神经网络尽可能复原输入信号,第页,神经网络模型,12/6/2019,自动编码器深度神经网络上一个编码器输出的编码值作为下一个自动编码器的输入数据继续训练下一个自动编码器这样，逐层训练后，将其连接起来，便可得到一个深度神经网络,神经网络模型,12/6/2019,第28页,自动编码器深度神经网络微调,神经网络模型,12/6/2019,第29页,MATLAB实现,神经网络模型,12/6/2019,第30页,神经网络模型,12/6/2019,第31页,神经网络模型,12/6/2019,第32页,神经网络模型,模型评估假设检验建立假设：模型的泛化错误率为0.01。10折交叉验证结果：结论：不能拒绝假设，即自动编码器神经网络模型的泛化错误率为0.01，置信度为95%。,12/6/2019,第33页,12/6/2019,第34页,4.支持向量机模型,支持向量机模型,SVM的基本型在样本空间中找到一个划分超平面，从而将不同类别的样本分开,12/6/2019,第35页,第36页,支持向量机模型,12/6/2019,基于HOG特征的SVM使用伽马变换对图像进行预处理，弱化图像局部阴影和光照的影响计算每个像素点的梯度将图像划分成若干细胞，统计每个小细胞的梯度分布情况将若干个细胞组成一个区域，并对两区域重叠的细胞进行归一化，以克服光照不均以及前后景对比差异向量化；将图像对应的特征组成一维行向量或列向量。,支持向量机模型,MATLAB实现,12/6/2019,第37页,支持向量机模型,模型评估假设检验建立假设：模型的泛化错误率为0.0110折交叉验证结果：结论：不能拒绝假设，即基于HOG特征的SVM模型的泛化错误率为0.01，置信度为95%。,12/6/2019,第38页,12/6/2019,第39页,5.模型评估,模型评估,两模型的比较检验成对t检验选取错误率作为模型的性能度量指标，可用k折交叉验证成对t检验来进行比较检验其基本思想是：若两个模型的性能相同，那么它们使用相同的训练集和测试集得到的测试错误率应当相等,12/6/2019,第40页,模型评估,52交叉验证做5次2折交叉验证对两个模型M和N，第i次2折交叉验证将产生两对测试错误率，对其分别求差，得到第1折上的差值和第2折上的差值。为缓解测试错误率的非独立性，仅将第一次2折交叉验证的两个结果的均值作为假设检验的均值，但对每次2折交叉验证的结果都计算出方差。变量服从自由度为5的t分布,12/6/2019,第41页,模型评估,52交叉验证,12/6/2019,第42页,模型评估,52交叉验证得出结论：自动编码器神经网络模型和利用HOG特征的支持向量机模型在错误率上的性能没有显著差别，置信程度为95%。,12/6/2019,第43页,模型评估,查准率、查全率及受试者工作特性的比较,12/6/2019,第44页,模型评估,查准率、查全率及受试者工作特性的比较,12/6/2019,第45页,12/6/2019,第46页,6.结论,结论,完成的工作图像处理部分：完成了识别可能的避雷器绝缘子和避雷器桩头螺母的任务。机器学习部分：两个学习器模型，分别是利用图像信息的自动编码器深度神经网络模型和利用图像HOG特征的支持向量机模型。模型评估部分：评估两个模型的泛化错误率、查