1、隨著機(jī)器視覺技術(shù)的發(fā)展，越來越多的產(chǎn)品質(zhì)量檢測采用數(shù)字圖像處理技術(shù)進(jìn)行分析與識別，能夠極大地提高生產(chǎn)的自動化程度。為實現(xiàn)工廠生產(chǎn)的故障指示器產(chǎn)品質(zhì)量智能檢測，本文基于卷積神經(jīng)網(wǎng)絡(luò)的故障指示器狀態(tài)識別進(jìn)行研究，能夠有效地解決產(chǎn)品生產(chǎn)過程中的產(chǎn)品質(zhì)量檢測問題，實現(xiàn)工業(yè)生產(chǎn)自動化、智能化、綠色化和高效化。
　　本文針對故障指示器狀態(tài)智能識別任務(wù)，分別從構(gòu)建識別系統(tǒng)、改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networ

2、ks，CNN）模型、實驗驗證等方面進(jìn)行了研究。通過分析故障指示器產(chǎn)品檢測場景，構(gòu)建了圖像采集系統(tǒng)并采集了故障指示器的原始視頻圖像。設(shè)計了識別算法流程，并實驗驗證了將CNN直接用到故障指示器原始圖片上進(jìn)行狀態(tài)識別的可行性，同時分析實驗結(jié)果，找出了傳統(tǒng)CNN在此任務(wù)中存在的問題，啟發(fā)了后續(xù)對原始圖片的處理和CNN的改進(jìn)工作。而后，針對現(xiàn)實場景中模糊、光照不均勻、色偏的故障指示器圖片，本文對圖片進(jìn)行濾波、增強(qiáng)和高光消除等預(yù)處理，減少了各種因素

3、對識別的影響，進(jìn)一步采用基于閾值、邊緣檢測和聚類的方式對圖像進(jìn)行分割實驗，接著對圖片進(jìn)行平移、旋轉(zhuǎn)、縮放等數(shù)據(jù)擴(kuò)充方式增大數(shù)據(jù)量，提升小樣本對訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的識別性能。針對傳統(tǒng)CNN模型魯棒性問題，本文改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，對網(wǎng)絡(luò)加入尺度估計，提出了多尺度卷積神經(jīng)網(wǎng)絡(luò)模型，通過實驗驗證了該方法的魯棒性；針對傳統(tǒng)的CNN的收斂時間長，識別率低的問題，分析已收斂的CNN各核函數(shù)之間存在很大的相關(guān)性，提出了小波變換初始化第一層核函數(shù)的方法，實驗表明