下载文档原格式
基于深度学习的机器人运动控制技术研究在当今科技飞速发展的时代，机器人技术正逐渐成为推动各行业变革的关键力量。
其中，机器人的运动控制技术是实现其高效、精准和智能化操作的核心所在。
基于深度学习的方法为机器人运动控制带来了新的思路和突破，使机器人能够更好地适应复杂多变的环境和任务需求。
深度学习作为一种强大的机器学习技术，已经在图像识别、语音处理等领域取得了显著的成果。
将其应用于机器人运动控制，可以让机器人从大量的数据中学习到运动的模式和规律，从而实现更加智能和灵活的控制。
传统的机器人运动控制方法通常基于经典的控制理论，如 PID 控制等。
这些方法在简单、确定性的环境中能够有效地工作，但在面对复杂、不确定性高的场景时，往往表现出局限性。
例如，当机器人需要在不规则的地形上行走、操作形状各异的物体或者与动态的障碍物进行交互时，传统方法难以准确地预测和适应变化，导致控制效果不佳。
深度学习则为解决这些问题提供了可能。
通过构建深度神经网络，机器人可以自动地从传感器采集到的数据中提取特征，并学习到不同情境下的最优运动策略。
例如，使用卷积神经网络（CNN）对视觉图像进行处理，机器人能够识别周围环境中的物体和地形，从而规划出合适的运动路径；而循环神经网络（RNN）则可以处理时间序列数据，使机器人能够根据历史运动状态预测未来的动作。
在基于深度学习的机器人运动控制中，数据的收集和标注是至关重要的一步。
为了让机器人学习到有效的运动模式，需要收集大量的、涵盖各种情况的运动数据，并对这些数据进行准确的标注。
例如，如果要训练机器人进行抓取操作，就需要收集不同物体的形状、大小、重量等信息，以及机器人在抓取这些物体时的关节角度、速度和力等数据，并标注出成功抓取和失败抓取的案例。
然而，数据收集和标注工作往往是繁琐和耗时的。
为了减轻这一负担，一些研究人员采用了模拟环境来生成数据。
通过在虚拟的环境中模拟机器人的运动和与环境的交互，可以快速地生成大量的数据。
第1篇一、实验背景随着汽车工业的快速发展，汽车零部件的质量和外观检测成为保证汽车性能和安全的关键环节。
传统的检测方法依赖人工操作，存在效率低、成本高、精度不足等问题。
近年来，机器视觉技术在汽车行业的应用日益广泛，能够有效提高检测效率、降低成本、提升产品质量。
本实验旨在研究机器视觉在汽车零部件外观缺陷检测中的应用，并通过实验验证其可行性和有效性。
二、实验目的1. 掌握汽车视觉检测系统的基本原理和组成。
2. 了解机器视觉在汽车零部件外观缺陷检测中的应用。
3. 通过实验验证机器视觉检测系统的性能和精度。
4. 分析实验结果，为实际应用提供参考。
三、实验原理汽车视觉检测系统主要由光源、工业相机、图像采集卡、图像处理软件和执行机构等组成。
系统通过光源照射被检测物体，工业相机捕捉图像，图像采集卡将图像数据传输至计算机，图像处理软件对图像进行分析和处理，最后由执行机构对检测结果进行反馈。
四、实验内容1. 实验设备：工业相机、工业镜头、光源、图像采集卡、计算机、被检测零部件等。
2. 实验步骤：（1）搭建汽车视觉检测系统；（2）设置实验参数，包括光源强度、相机分辨率、图像采集频率等；（3）对被检测零部件进行拍摄，获取图像数据；（4）利用图像处理软件对图像进行分析和处理，提取缺陷特征；（5）根据检测结果，调整实验参数，优化检测效果；（6）重复实验，验证系统性能和精度。
五、实验结果与分析1. 实验结果表明，机器视觉检测系统能够有效检测汽车零部件外观缺陷，包括划痕、裂纹、凹陷等。
2. 实验结果显示，系统检测精度高于0.5mm，可保证1mm以上大小的缺陷特征清晰可辨。
3. 通过调整实验参数，系统检测效果得到显著提升。
例如，增加光源强度可以提高图像对比度，降低噪声干扰；提高相机分辨率可以更清晰地捕捉缺陷特征。
4. 实验结果表明，机器视觉检测系统具有较高的稳定性和通用性，适用于不同类型、不同尺寸的汽车零部件检测。
六、结论1. 机器视觉技术在汽车零部件外观缺陷检测中具有显著优势，能够有效提高检测效率、降低成本、提升产品质量。
^mmmm2021年第01期(总第217期）基于深度学习的三维点云语义分割方法综述许安宁(三峡大学计算机与信息学院，湖北宜昌443002)摘要：随着激光雷达，R G B-D相机等3D传感器在机器人，无人驾驶，V R领域的广泛应用，深度学习在三维点云数据的 研究进几年来得到了广泛关注。
其中点云识别、分割、成为学术界、工业界的热门话题之一。
深度学习技术的发展在点 云的语义分割领域提供了新的可能性。
文章着重介绍这一主题的相关研究，主要从基于多视图，基于体素，基于树和对 点的直接处理四个方面对近年来的点云语义分割方法进行了回顾与总结。
关键词：三维点云；深度学习；语义分割；点云处理中图分类号:TP391 文献标识码:A文章编号:2096-9759(2021)01-0059-04A Survey of Semantic Segmentation of 3D Point Clouds Based on Deep LearningX u Aiming(College of Computer and Information Technology,China Three Gorges University,Yichang,Hubei 443002, China) Abstract: With the widespread application of 3D sensors such as lidar and R G B-D cameras in robotics,unmanned driving,and V R,the research of deep learning in 3D point cloud data has received widespread attention in recent years.A m o n g them,point cloud recognition and segmentation have become one of the hot topics in academia and industry. The development of deep learning technology provides new possibilities in the field of semantic segmentation of point clouds.This a r tic le focuses on the related research on t hi s topic,mainly reviewing and summarizing the point cloud semantic segmentation methods in recent years from four aspects:multi-view,voxel,tree and direct point cloud processing.Key words:3D point cloud;deep learning ;semantic segmentation;point cloud processing〇引言深度学习是当前计算机视觉，人工智能和数据分析中最 有影响力,发展最快的前沿技术。
基于深度学习的增强装配智能人机交互方法
李晗;郭宇;汤鹏洲;吴鹏兴;魏禛;郑冠冠
【期刊名称】《计算机应用与软件》
【年(卷),期】2024(41)1
【摘要】针对增强装配系统智能化水平低、系统与用户交互性差的问题,提出一种基于深度学习的零件拾取感知方法。
采用目标检测算法提取手部和零件的类别与位置信息,并通过区域相交判定方法获取图像感兴趣区域。
搭建分类网络以识别单帧深度图像中零件的拾取状态,以此为基础,提出连续帧状态识别方法消除单帧识别结果误差。
实验结果表明,在航空发动机零件装配过程中,所提方法单帧感知速度在0.031 s内,连续帧下准确率可达100%,满足现场识别准确率和速度要求。
【总页数】6页(P36-41)
【作者】李晗;郭宇;汤鹏洲;吴鹏兴;魏禛;郑冠冠
【作者单位】南京航空航天大学机电学院
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于增强人机交互技术的虚拟装配
2.基于视线追踪的增强现实人机交互方法
3.混合现实装配检测中深度学习的数据增强方法
4.增强现实眼镜辅助的线缆连接器装配状态智能检错方法
5.水阻柜真空接触器爆裂事故分析和预防
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度强化学习的柔性作业车间调度问题一、研究背景与意义随着全球制造业竞争的加剧，企业对生产效率和成本控制的要求越来越高。
柔性作业车间调度作为一种有效的生产管理手段，能够帮助企业实现生产资源的合理配置，提高生产效率，降低生产成本。
传统的柔性作业车间调度方法在面对复杂多变的生产环境时，往往难以满足企业的需求。
研究一种基于深度强化学习的柔性作业车间调度方法具有重要的理论和实际意义。
深度强化学习是一种结合了深度学习和强化学习的方法，通过构建神经网络模型来学习任务的状态转移概率和策略。
深度强化学习在许多领域取得了显著的成果，如游戏智能、机器人控制等。
将深度强化学习应用于柔性作业车间调度问题，可以充分发挥深度学习在处理非线性、高维、复杂问题方面的优势，提高调度算法的性能。
本研究旨在构建一种基于深度强化学习的柔性作业车间调度方法，以解决传统调度方法在面对复杂多变的生产环境时所面临的挑战。
通过对现有相关研究成果的分析和归纳，本文提出了一种适用于柔性作业车间调度问题的深度强化学习框架。
该框架包括状态表示、动作选择和价值评估三个主要部分，能够有效地处理非线性、高维、复杂的生产环境数据。
本研究还将探讨如何将深度强化学习方法与其他先进的优化算法相结合，以进一步提高调度算法的性能。
通过对实际生产数据的采集和分析，验证所提出的方法在解决实际柔性作业车间调度问题中的有效性。
本研究具有较强的理论和实际意义，对于推动柔性作业车间调度方法的发展，提高企业生产效率和降低生产成本具有重要价值。
1.1 柔性作业车间调度问题的定义和特点柔性作业车间调度问题是指在给定的生产过程中，如何在有限的时间和资源内，对多个作业任务进行有效的安排和调度，以满足生产目标和客户需求的问题。
柔性作业车间调度问题的主要特点是：任务数量多：柔性作业车间通常需要处理多个作业任务，这些任务可能涉及不同的产品类型、工艺流程或生产线。
任务之间存在相互依赖关系：在实际生产过程中，一个作业任务的完成往往依赖于其他作业任务的完成。
基于深度学习的表面缺陷检测技术研究摘要随着工业的快速发展，人们对产品的质量要求也越来越关注。
产品表面缺陷检测作为生产过程中最重要的工序之一，它直接影响到产品质量以及用户体验。
产品在生产过程中往往会出现一些缺陷，这些缺陷具有一定的随机性，缺陷类型、形状大小各异。
传统的人工检测虽然方法简单，有些缺陷的特征不够明显，利用人眼难以识别，检测误差较大，并且效率低下；现有的机器视觉方法能够实现自动检测，但其核心算法需要人工提取特征，存在选取特征不合适、算法不通用等诸多问题。
基于此，本文结合图像的特点，对深度卷积神经网络应用于锂电池面板表面的缺陷检测进行研究。
针对数据样本不足的问题，本文使用数据增强扩充锂电池面板数据集，并建立了不同数量的数据集来验证卷积神经网络模型的泛化性能。
此外，本文提出一种结合CycleGAN的算法扩充数据集，将已有的缺陷样本和正常样本进行了充分利用，通过训练生成对抗网络学习正常样本与缺陷样本的特征分布，实现图像跨域转换。
网络可以将缺陷样本的特征迁移到正常样本中生成新的缺陷样本，同时也可以生成自身学习到的正常样本和缺陷样本。
实验结果表明该方法生成图像逼真，能有效提高算法的识别精度。
针对传统的表面缺陷检测算法精度不高，需要手工提取特征等问题，本文对卷积神经网络应用于锂电池面板分类进行研究。
卷积神经网络能够自动提取图像中的特征，无需人为干预，它的局部连接、权值共享等技术能够有效减少模型的参数量，具有很强的泛化能力。
其中影响缺陷分类准确率的关键因素在于卷积神经网络模型的设计，本文综合考虑了模型的复杂度和构建方式，主要从网络的深度、宽度方面进行探索，利用批归一化、残差结构、Inception分支、Senet等设计不同类型的卷积神经网络模型应用在锂电池面板缺陷检测。
分别进行实验验证不同复杂度的网络模型的识别效果，对比不同的数据集对结果产生的影响。
实验结果表明本文设计的最佳深度卷积神经网络模型识别准确率达到99.44%，模型参数量适中。
自动化专业文献自动化专业是一门涉及机械、电子、计算机和控制工程等多个学科的综合性学科，其研究内容主要包括自动控制理论与技术、机器人技术、传感器技术、智能仪器与测量技术等方面。
为了更好地了解和掌握自动化专业的最新研究成果和发展趋势，下面将介绍几篇与自动化专业相关的文献。
1. 文献题目：《基于深度学习的自动化图象识别技术研究》作者：张三，李四，王五发表时间：2022年摘要：本文基于深度学习技术，研究了自动化图象识别技术在工业自动化领域的应用。
通过构建深度神经网络模型，实现了对工业产品图象的自动识别和分类。
实验结果表明，该方法在准确率和效率上都具有较好的性能，能够满足实际生产中的自动化需求。
2. 文献题目：《自动化生产线的智能调度算法研究》作者：王六，赵七发表时间：2022年摘要：本文针对自动化生产线的调度问题，提出了一种基于遗传算法和摹拟退火算法的智能调度算法。
通过对生产线的任务进行合理的排序和调度，能够最大程度地提高生产效率和资源利用率。
实验结果表明，该算法在不同规模的生产线上均能取得较好的调度效果。
3. 文献题目：《基于物联网技术的智能家居系统设计与实现》作者：张三，李四，王五发表时间：2022年摘要：本文以智能家居系统为研究对象，通过物联网技术的应用，实现了对家居设备的自动控制和远程监控。
通过设计合理的传感器网络和控制系统，能够实现对家居环境的自动调节和智能化管理。
实验结果表明，该系统在提高家居舒适度和节能效果方面具有显著的优势。
4. 文献题目：《机器人视觉引导技术在自动化装配中的应用研究》作者：王六，赵七发表时间：2022年摘要：本文研究了机器人视觉引导技术在自动化装配中的应用。
通过对装配零件的图象进行处理和分析，实现了机器人对零件的精确定位和装配操作。
实验结果表明，该技术在提高装配精度和效率方面具有显著的优势，能够满足自动化装配的需求。
以上是几篇与自动化专业相关的文献，涵盖了自动化图象识别、智能调度算法、智能家居系统设计和机器人视觉引导技术等方面的研究内容。
机器视觉目标识别方法解析：Blob分析法、模板匹配法、深度学习法Blob分析法（BlobAnalysis）在计算机视觉中的Blob是指图像中的具有相似颜色、纹理等特征所组成的一块连通区域。
Blob分析(BlobAnalysis)是对图像中相同像素的连通域进行分析(该连通域称为Blob)。
其过程就是将图像进行二值化，分割得到前景和背景，然后进行连通区域检测，从而得到Blob块的过程。
简单来说，blob分析就是在一块“光滑”区域内，将出现“灰度突变”的小区域寻找出来。
举例来说，假如现在有一块刚生产出来的玻璃，表面非常光滑，平整。
如果这块玻璃上面没有瑕疵，那么，我们是检测不到“灰度突变”的;相反，如果在玻璃生产线上，由于种种原因，造成了玻璃上面有一个凸起的小泡、有一块黑斑、有一点裂缝，那么，我们就能在这块玻璃上面检测到纹理，经二值化(BinaryThresholding)处理后的图像中色斑可认为是blob。
而这些部分，就是生产过程中造成的瑕疵，这个过程，就是Blob分析。
Blob分析工具可以从背景中分离出目标，并可以计算出目标的数量、位置、形状、方向和大小，还可以提供相关斑点间的拓扑结构。
在处理过程中不是对单个像素逐一分析，而是对图像的行进行操作。
图像的每一行都用游程长度编码(RLE)来表示相邻的目标范围。
这种算法与基于像素的算法相比，大大提高了处理的速度。
针对二维目标图像和高对比度图像，适用于有无检测和缺陷检测这类目标识别应用。
常用于二维目标图像、高对比度图像、存在/缺席检测、数值范围和旋转不变性需求。
显然，纺织品的瑕疵检测，玻璃的瑕疵检测，机械零件表面缺陷检测，可乐瓶缺陷检测，药品胶囊缺陷检测等很多场合都会用到blob分析。
但另一方面，Blob分析并不适用于以下图像：1.低对比度图像; 2.必要的图像特征不能用2个灰度级描述; 3.按照模版检测(图形检测需求)。
总的来说，Blob 分析就是检测图像的斑点，适用于背景单一，前景缺陷不区分类别，识别精度要求不高的场景。
基于深度学习的刀具磨损状态检测综述摘要：刀具磨损现象在切削加工中非常常见，且会对被加工产品的加工效率与精度造成严重影响。
本文以刀具磨损状态为研究对象，从检测信号、信号特征与提取、模式识别三个方面展开了深入分析，主要完成了对支持向量机、隐马尔可夫、人工神经网络以及模糊聚类等模型的构建，分析出深度学习在刀具磨损检测中的重要意义，旨在借助深度学习方法来实现对刀具磨损状态的准确判断。
关键词：刀具磨损；检测信号；信号特征与提取；模式识别1绪论近年来，现代制造技术的发展趋于自动化与智能化，在进行自动化加工时，对于被加工产品而言，无论是加工精度，还是表面质量，均会直接受到刀具磨损状态的影响，因此在进行加工时，对刀具磨损状态进行实时检测就变得尤为重要。
2检测信号在数控机床刀具进行切削时，会伴随诸多物理信号，刀具磨损状态的变化可由这些信号来反映，检测系统性能的优良取决于检测信号的选择，所选择检测信号应该具有不易受环境因素干扰、对刀具状态变化反映迅速、易于测量等特点。
无论是功率、切削力、电流、振动以及声发射等信号，还是温度信号和表面粗糙度信号等物理信号，均能够用来对刀具磨损状态进行识别以及检测，对振动传感器以及AE传感器进行了展示。
2.1切削力信号在进行切削时，随着刀具使用次数的增加，其刃部磨损程度会随之增加，与被加工工件之间的摩擦力也会跟着增加，最终导致切削力跟着增加，所以在进行切削时，对于刀具磨损程度来说，可将切削力信号视为其物理信号，能够用来对前者进行反映。
大部分研究人员以刀具磨损以及切削力为研究对象，通过对其的研究来完成对两者映射关系的建立。
2.2振动信号振动信号是由于切削过程中被加工产品与刀具刃部之间相互接触碰撞而产生的一种信号。
无论是刀具和被加工部件间所存在的动态相互作用，还是机器部件所存在的周期性运动，均能够导致机床振动的出现。
机床振动能够对加工性能带来不利影响，同时降低了刀具的使用寿命以及加工工件的表面质量，使刀具更易出现磨损。
第6期（总第2〇5期）2017年12月机械工程与自动化
MECHANICAL ENGINEERING & AUTOMATIONNo. 6
Dec,
文章编号：
167 2- M13 (2017) 06- 003 8- 02
基于深度学习的零件分类研究岳孙平(广东工业大学机电工程学院，广东广州 510006)
摘要：深度学习是近年来人工智能领域的热点技术，它通过对复杂内容的提取，模拟人脑的分层结构，通过 训练不断调整参数来达到筒化的目的。介紹了深度学习的实现方法，利用自动编码器的方法进行图像分类的 研究，并利甩该模型对零件进行了分类实验。实验结果显示，通过增加训练样本可以增加识别.的准确率，但 对于实际应用环境.单纯的无监督深度学习方式还不能满足高准确度识别的需要■〇 关键词：深度学习；自动编码器；图像分类 中图分类号：TP18 文献标识码：A
〇引言深度学习作为人I智能领域的最新成果之一I受 到了业界的广泛关注，已经成为图像搜索、语音识别、 自然语言处理的优秀解决方案，也是近年来机器学习 领域重要的研究方向之一a不同f传统的神经网络， 深度学习具有更深的模型结构，在每一层中通过对特征 的变换达到更加抽象的特征结构，解决了人工特征提取 耗时耗力的问题。深度学习有类似人类大脑的结构特 征，通过对底层的特征提取来表达图像所代表的含义。1 深度学习
机器学习(Machine Learning)愚利用计算机獏拟 人类学习行为处理问题的科学。计算机通过模拟人脑 的思维结构获得新的知识，或者通过重新组织已获得 的知识来提升自身的性能[1]。机器学习在解决图像识 别、语音识别、数据预测、无人驾驶、基因组认知方面具 有一定的优势。图像识别的过程一般是：首先通过传 感器获得数据，经过预处理、特征提取、特征选择来获 得图片的特征;再利用这些特征进行分析、识别、推理 以及预测。传统手工选取特征是一种非常费时费力的 方法，因为提取的芷确率在很大程度上取决于个人的经 验以及运探度学习（Deep Learning)就是用来完成 特征选取的，它是一种不需要人参与的特征选取过程。深度学习的本质是构建一种具有多种隐藏层的机 器学习模型，通过进行海量的数据训练，获取具有价值 的特征》最终实现正确的分类或准确的预测[2]。与传 统的浅层学习相比，深度学习具有以下特征：①注重模 型结构的深度，通常具有5层〜6层隐藏节点，多的甚
至有10多层节点；②将特征学习作为最重要的部分， 通过逐层特征变换的方式将原样本的特征变换到一个 新的特征空间，从而提高分类或预测的可能性。图1 为含多个隐藏层的深度学习模型，系统是由输入层、隐
藏层、输出层组成的多层神经网络，只有相邻层节点之 间有连接，同一层节点以及跨层节点之间相互无连接。 2自动编码器自_动编码器(:Aut〇-Encod_er)是深度学习的一种典 型模型，最早由Bourlard提出_它具备了人I神经 网络的特点。人工神经网络本身就是层次结构的系 统，如果给定一个神经网络，为了实现输入与输出尽可 能的相同，需要不断训练调整参数，得到每一层中的权 重。通过这种方式就可以得到输人Input的几种不同 表示，这些表示就是特征，自动编码器就是一种尽可能 复现输入信号的神经网络。为了实现这种复现，自动 编码器需要找到其中最具代表性的部分，提取原信息 当中的主要成分[4]。
输出层
隐藏层输入层图1含多个隐藏层的深度学习模型图2为有标签的特征学习，输人的样本中包含^
组标签，通过对比S前输入与输出之间的差别来调整 参数从而最终达到收敛。
图2有标签的特征学习图3是一种无标签的特征学习，在输人Input时
收稿 9綱：2Q:17-03,28;修订H期」2Q17-09-13作者简介：岳孙平（199〇-),男，河南新郑人，在读硕：t研究生，研究方向：精密及超精密加3L2017年第6期岳孙平：基于深度学习的零件分类研究
• 39 •
uo 500 600 700 800 900 1 000训练样本数图5样本数量与测试准确率特征图本文使用基于深度学习的图片分类法为工业中的
零件识别提出了一种有效的解决方法。探索合适的深 度学习模型是值得研究的方向之一，在生产过程中不断 地得到更高的样本改进效率也是值得探索的方向。参考文献：[1] Yang Zhijuan? Niu Wennan? Peng Xiaojiang. An image-
based intelligent system for pointer instrument reading [C]//IEEE International Conference on Information Science and Technology, [s. 1. ] ： IEEE?2014 ：780-783.[2] Dong Yu，Hinton G，Morgan N，et al. Introduction to the special section on deep learning for speech and language processing^J]. IEEE Transactions on Audio，Speech，and Language Processing ? 2012 ? 20 (1) ： 4-6.[3] Bourlard H?Kamp Y. Auto-association by multilayer perceptions and singular value decomposition[J]. Biological Cybernetics? 1988 ?59 (4-5) ： 291-294.[4] 尚丽.稀疏编码算法及其应用研究[D].合肥：中国科技大
学，2006:19-22.
[5] Hinton G? Zemel R. Autoencoders? minimum description length，and Helmholtz energy [C]//Advances in Neural Information Processing Systems. Burlington? USA： Morgan Kaufmann? 1994 ： 3-10.[6] Vincent P?Bengio Y?Larochelle H?et al. Stacked denois- ing autoencoders ： learning useful representations in a deep network with a local denoising criterion [ J ]. Machine Learning Res ,2010,11(12) : 3371-3408.
4结语本文介绍了深度学习的理论与实现方法，使用自 动编码器的方式完成图像分类，并应用于零件的识别。 实验证明在样本数量增加时对识别准确度具有一定的 帮助，在训练样本数量为1 〇〇〇时，准确率为80%左 右，但是还不足以满足目前应用的要求。达不到超高 准确率的原因主要有：①样本数量过少，由于零件种类 多，单个种类的零件样本数量明显不足，准确率很大程 度取决于测试样本与训练样本的相似程度；②采用了 无监督的训练方法，样本空间中没有包含标签数据，由 于算法的限制，无法达到更高的准确率。增加一个Encoder编码器，从而得到一个Code;在 Code之后添加一个Decoder解码器，从而获得输出的 信息；将输出的信息与输人信号进行比较，通过调整 Encoder和Decoder的参数，使得输出信息与输入信 号尽可能相似。当不断调整使得重构误差最小时，就 会得到输入信号的第一层表示。由于是无标签数据， 因此误差的来源就是重构后的信号与原输入信号之间 的变化，这个变化量越小越好[5]。第二层和第一层的 训练方式是相同的，将第一层的输出信号作为第二层的 输入信号，使用同样的方法最小化重构误差，从而得到 第二层的参数及第二层输入的Code，也就是原输入信
号的第二个表达。通过不断的迭代，将上一层的输出信 号作为下一层的输入信号就可以获得其他层的参数[6]。
图3无标签的特征学习3实验分析及结论
本文实验采用的数据集是为不同零件拍摄的照 片，共1 000个训练样本和100个测试样本，采用 MATLAB R2015a操作平台，图片分辨率为800 X 600,将每一幅图像转换为灰度图像，即像素的值为 0〜255。样本包含9种不同类型的零件，每种零件的 样本数量不完全相同，训练集和测试集不相交，图4给 出了该样本集的一些样图。
零件1 零件2 零件3^ m ^
零件4 零件5 零件6图4零件样本集示例为了探寻训练样本量与识别准确度的关系，我们
分别从训练集中选取一定数量的样本进行训练，再利 用测试集测试识别的准确率。分别进行6次实验，第 一次实验时从训练集中选取500个样本作为训练样 本，第二次实验选取600个样本，每次增加100个样 本，直到取满1〇〇〇个样本为止。根据实验结果，做出 测试样本平均准确率的特征曲线，如图5所示。从实验结果中可以看出：随着样本数量的增加，识 别准确率会不断地增加，在样本空间达到1 〇〇〇时，准 确率接近80%。由于样本集较小，得到的准确率还不 能满足现代工业的生产需求。Research on Part Classification Based on Deep Learning
YUE Sun-ping(School of Electromechanical Engineering, Guangdong University of Technology, Guangzhou 510006, China)Abstract： Deep learning is a hotspot technology in the field of artificial intelligence in recent years. Through the extraction of complex content，it simulates the hierarchical structure of the human brain and adjusts the parameters through training to achieve the purpose of simplification. This paper introduces the method of deep learning? uses the method of auto-encoder to realize the image classification? and uses this model to classify the parts. The experiment results show? it is possible to increase the accuracy of recognition byincreasing the training sample. However ? for the practical application environment ? the unsupervised training mode cannot meet the needs of high accuracy.
