基于深度学习与本体的离散车间虚拟布局仿真图像分析方法

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Image Analysis Method for Virtual Layout Simulation of Discrete Workshops Based on Deep Learning and Ontology

　　

摘要

对离散型车间虚拟仿真布局进行精确感知与语义分析，是实现智能制造车间数字化及灵活升级的核心前提。这些因素直接影响生产流程优化、设备调度效率以及生产资源的合理分配。针对当前基于深度学习的车间虚拟仿真布局图像分割方法存在的缺陷——如分割边界模糊、相似设备难以区分、分割结果缺乏语义关联等——本研究提出了一种结合深度学习与本体论的图像分析方法。该方法以Mask R-CNN作为基础分割模型，对虚拟车间图像中的核心元素，如设备、物料和工作台等进行初步的实例分割。随后构建针对离散型车间布局的本体知识模型，整合包括设备属性、空间关系及功能类别在内的多维度语义信息。再通过本体论推理机制对Mask R-CNN得到的初始分割结果进行优化，纠正分割区域中的错误分类与遗漏，提升目标分割的完整性与准确性。同时，该方法建立了分割结果与领域语义信息之间的映射关系，实现了从像素级分割到语义级分析的转变。最后，研究人员构建了该方法的测试平台。实验结果表明，该方法能为离散型车间虚拟仿真布局的智能分析与决策提供可靠的数据支持，证明了其可行性与有效性。