4、机器学习助力自动化辅助系统及汽车行业无生产线装配系统潜力分析

机器学习助力自动化辅助系统及汽车行业无生产线装配系统潜力分析

机器学习在铣刀磨损分类中的应用

在机械加工领域，对铣刀磨损状况的准确判断至关重要。传统上，这一判断往往依赖人工经验，但随着机器学习技术的发展，利用卷积神经网络（CNN）进行铣刀磨损分类成为了可能。

数据集与预处理

• 数据集：使用特定设备获取了包含41种不同铣刀的328张图像。这些铣刀由专家借助放大镜或显微镜分类为磨损和未磨损两类，此分类作为数据集中图像的真实标签。不过，由于人工分类的主观性，数据集中存在一定的不确定性。
• 数据划分：将数据集按照60:20:20的比例划分为训练集、验证集和测试集。
• 预处理步骤：
  1. 裁剪图像：去除大部分不包含刀具磨损信息的背景，减小图像尺寸。
  2. 应用滤波器：为了增加数据集并提高模型的鲁棒性，对每张图像应用不同的滤波器，如增加对比度、增加光照、使用锐化和柔化滤波器等。由于铣刀相对于相机的位置固定，不使用平移和旋转等图像增强技术。经过处理，数据集增加到1640张图像。

卷积神经网络的实现

• 网络架构选择：考虑到刀具磨损识别是一个纹理识别问题，选用了VGG、ResNet50和EfficientNet_b0等先进的CNN架构进行铣刀磨损分类训练。其中，EfficientNet在ImageNet数据集上训练时，比VGG和ResNet50得分更高，且使用的参数更少，训练速度更快，能减少过拟合问题。
• 迁移学习：为了减少过拟合的影响，尤其是对于小数据集，对VGG - 1