CNN-IRLS装配孔定位方法研究_王旭东

《CNN-IRLS装配孔定位方法研究_王旭东》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

第４１卷第１期佳木斯大学学报（自然科学版）Ｖｏｌ．４１Ｎｏ．１２０２３年０１月ＪｏｕｒｎａｌｏｆＪｉａｍｕｓｉＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）Ｊａｎ．２０２３文章编号：１００８－１４０２（２０２３）０１－０１１７－０４①ＣＮＮ－ＩＲＬＳ装配孔定位方法研究王旭东，黄海滨＊（厦门理工学院机械与汽车工程学院，福建厦门３６１０２４）摘要：针对零件缺陷、反光或是环境光照不足不均，提出了一种通过卷积神经网络（ＣＮＮ）一次定位，再二次运用改进迭代重加权最小二乘法（ＩｔｅｒａｔｉｖｅＲｅｗｅｉｇｈｔｅｄＬｅａｓｔＳｑｕａｒｅｓ，以下简称ＩＲＬＳ）进行筛选和拟合进而进行二次定位的方法。在一次定位时，训练模型的准确率和召回率分别达到９８．２％和９７．４％，结合二次定位识别率为９９．１％，相较于常规形态学筛选和模板匹配在复杂光照下的识别率分别提高了３１．９％和１５．５％。二次定位时，圆孔的最大定位误差为０．６５ｍｍ，平均误差０．３１ｍｍ。对比Ｈｏｕｇｈ法和ＣＮＮ直接定位，最大误差分别减少了３３．０％和５３．９％，平均误差分别减少了３６．７％和５０．８％。关键词：卷积神经网络；迭代重加权最小二乘法；孔定位；机器人主动装配中图分类号：ＴＰ１８；ＴＰ２４２文献识别标码：Ａ照、不同姿态、不同图像分辨率、不同尺寸型号的键０引言槽共计１１０４张进行神经网络训练，为模板提供良使用机器人代替人工进行轴孔装配，成为近好的鲁棒性。年研究热点。而在机器人轴孔装配过程中，孔零件１．２模型选择与评价指标圆心的定位精度直接影响后续装配时长和成功率。诸多学者围绕圆孔零件视觉定位方法展开软件环境：操作系统ｗｉｎ１０、图像处理Ｈａｌ－［１］研究。朱福康等使用ＲＧＢ－Ｄ深度相机对孔进ｃｏｎ２０．１１、ｃ＃集成。选取５种典型的神经网络进行定位，根据深度图像粗略定位，再根据Ｈｏｕｇｈ变行小样本预训练。小样本预训练的步骤为：（１）首换精确定位，控制位置误差在０．６ｍｍ－１．２ｍｍ内。先从以上图库中随机抽取１５８张，其中包含５０％［２］齐浪等采用ＦａｓｔｅｒＲ－ＣＮＮ网络对圆孔直接的训练集、２０％的验证集、３０％的测试集。（２）采用定位，控制误差在０．１ｍｍ－０．４ｍｍ之间。综上，视不同神经网络分别进行预训练，设学习率为０．觉寻孔问题在精确度上取得较大进展。但是在方０００３、训练周期为１２８。（３）以低损失、高准确率和［３］法的鲁棒性问题上仍值得研究。因此提出了改召回率为评价指标，选择最合适的神经网络为下一进的ＣＮＮ－ＩＲＬＳ二次定位的方法，有效解决了环步的深度训练模型。训练结果如表１。境复杂和零件反光、缺陷等问题。表１预训练结果１ＣＮＮ识别与定位零件网络名称损失准确率召回率ＡｌｅｘＮｅｔ０．１０６８６．２％８５．３％１．１图库建立Ｅｎｈａｎｃｅｄ０．２９３９７８．３％７６．６％常规对孔型零件识别采用形态学筛选或者模Ｃｏｍｐａｃｔ０．１３２６８０．９％８０．９％板匹配的方法。由于形态学筛选需要进行阈值分ＭｏｂｉｌｅＮｅｔ＿ｖ２０．３０７６８２．６％８０．９％割，因金属反光导致阈值分割效果欠佳。而模板匹ＲｅｓＮｅｔ５００．１９５２８１．９％８１．９％配在对有缺陷或相似度较高零件时往往会进行误判。基于以上种种不利因素影响，采集不同光由表１可知，ＡｌｅｘＮｅｔ模型所训练的模型损失最①收稿日期：２０２２－０９－２３基金项目：福建省自然科学基金（２０２２Ｊ０１１２４４）。作者简介：王旭东（１９９７－），男，安徽马鞍山人，硕士，研究方向：机器视觉、机器人控制。通讯作者：黄海滨（１９８３－），男，福建莆田人，副教授，博士，研究方向：机器人系统开发。

1１１８佳木斯大学学报（自然科学版）２０２３年低，准确率和召回率均为最高值故而最适用该图片集。２．１自适应圆弧筛选１．３ＡｌｅｘＮｅｔ网络模型ＣＮＮ的训练可以对上述工件进行位置的预神经网络的发展大大促进了图像处理技估，进而为筛选工作提供非常大的便利，但是由于［４］［５］术。ＡｌｅｘＮｅｔ网络最初于２０１２年提出，该网样本的多样性对于高精度定位仍有误差，故在二次络模型内置８个权重层。前５层为卷积层用以对定位时进行圆弧筛选拟合。不同图像的特征进行提取并赋予相应权重。第６、在ＣＮＮ定位得出相应矩形框后，可根据矩７含４０９６个神经元的全连接层用来整合特征，输形框的四个角点按顺时针坐标依次为（ｘ１，ｙ１），［６］出一维向量组。最后设有１０００路的ｓｏｆｔｍａｘ（ｘ２，ｙ１），（ｘ２，ｙ２），（ｘ１，ｙ２）得圆弧的一次定位半层，用于计算归一化概率。径Ｒ１式（１）、圆心Ｏ１式（２）。此外，ＡｌｅｘＮｅｔ网络将激活函数由当时主流的ｘ２－ｘ１ｙ２－ｙ１Ｒ１＝｛，}ｍｉｎ＝１（１）ｔａｎｈ和ｓｉｇｍｏｉｄ改为ＲｅＬＵ即ｆ（）ｘ＝ｍａｘ（０，ｘ），２２该函数没有饱和区且收敛较快，有效防止梯度消失。ｘ１＋ｘ２ｙ１＋ｙ２Ｏ１（Ｘ，Ｙ）＝（，）＝２（２）在第６层和第７层使用Ｄｒｏｐｏｕｔ技术，将神经元随２２机置零，降低了神经元之间复杂性，减少过拟合。把ＲＯＩ区域缩减至矩形框，对上键槽做精确定位处理。首先对图像灰度化、滤波、平滑一系列１．４深度训练结果及对比预处理操作后，用Ｃａｎｎｙ算子提取图像亚像素轮采用ＡｌｅｘＮｅｔ作为训练网络模型，对１１０４廓边缘。Ｈｏｕｇｈ变换将提取出的轮廓分割成圆弧张图片进行深度训练，按照训练集８０％、测试集和直线，连接附近具有相似圆心和半径的点云。１０％、验证集１０％进行划分，训练周期为６００，其余参数与预训练保持一致。在训练中得到损失函数函数曲线如图１所示。图１损失函数曲线取验证集中１１０张图像分别与相应图像形态学筛选和模板匹配进行匹配和比较，其上识别率图２不同光照下神经网络识别效果为表２所示。根据粗定位时ＣＮＮ训练模型的评价指标，表２不同方法识别率人为定义第一次定位的圆半径与实际圆半径之间方法识别率的误差ｅ１、ｅ２（单位：像素），则可得实际的圆半径范形态学筛选６７．２％围为［Ｒ１－ｅ１，Ｒ１＋ｅ２］。同理定义ｅ３可得实际的模板匹配８３．６％圆心横、纵坐标范围为［Ｘ－ｅ３，Ｘ＋ｅ３］，［Ｙ－卷积神经网络定位９９．１％ｅ３，Ｙ＋ｅ３］，如图３所示，由此根据这两个特征范围筛选矩形框中相应的圆弧拟合后进行筛选。经过卷积网络训练后的模型由于图库的多样当ＣＮＮ训练指标足够好时，证明一次定位性，所以在光照不均、光照不足、高度曝光、自然光源的值与真实值越接近，可以把误差设置的足够小。的场合下均有良好的识别和定位效果如图２所示。程序设定值为ｅ１＝５，ｅ２＝ｅ３＝１５时，测试集中的２改进ＩＲＬＳ二次精确定位孔心圆拟合成功率为９９．１％。２．２改进ＩＲＬＳ圆拟合实际在Ｃａｎｎｙ亚像素边缘化时由于零件反

2第１期王旭东，等：ＣＮＮ－ＩＲＬＳ装配孔定位方法研究１１９光、缺陷等原因导致有多段圆弧轮廓或是有内孔干选。将符合范围条件的ｎ段圆弧拟合的圆心扰导致误差较大，如图４。Ｏ２ｉ（ｍｉ，ｎｉ）和ｎ段半径Ｒ２ｉ进行加权平均拟合（ｉ＝０，１，２，…，ｎ）。根据每条轮廓的弧长ｌｉ占总弧长ｌ的比例再次赋予其相应权值。则可得圆心坐标Ｏ３式（７）和半径Ｒ３式（８）。ｎｎｌｉｌｉＯ３：（∑ｍｉ，∑ｎｉ）（７）ｉ＝１ｌｉ＝１ｌｎｌｉＲ３＝∑Ｒ２ｉ（８）ｉ＝１ｌ在得到加权平均后的圆心坐标Ｏ３和半径Ｒ３×：实际圆心坐标·：圆心Ｏ１坐标后，分别计算未加权前每段圆弧圆心Ｏ２和Ｏ３之间图３圆弧筛选范围的差值、半径Ｒ２和Ｒ３之间的差值。再次利用Ｔｕｋｅｙ判断和筛除超差的圆弧后，进行迭代，得出最后的圆心和半径，流程图如图５所示。图４Ｃａｎｎｙ边缘化采用ＩＲＬＳ可排除超差圆弧的干扰。对遮蔽、零散圆弧效果好并且可以筛选出内孔。设ａ、ｂ分别为圆心的横纵坐标，ｒ为半径。某圆弧上点（ｘｉ，ｙｉ）到圆心距离ｄｉ则最小二乘误差函数δ如式（３）：ｎ２２（２２２）δｉ＝ｄｉ－ｒ＝∑（ｘｉ－ａ）＋（ｙｉ－ｂ）－ｒｉ＝１（３）引入Ｔｕｋｅｙ权值函数对每个圆弧上的点根据半径大小赋予相应的权值如式（４）、（５）：δ２２图５ＣＮＮ－ＩＲＬＳ流程图■ｉ（１－（）），δｉ≤τ（４）改进后的ＩＲＬＳ迭代法不仅根据圆心距离赋ωｉ（）δｉ■τ■０，δｉ＞τ予相应权值，还根据圆弧长度再次赋予权值进行筛ｍｅｄｉａｎδｉ选迭代，对于离群的圆弧可以有效的筛出。下图６τ＝Ｎ（５）０.６７４５为图４改进前后圆拟合情况。可从图中直观看出ω为每一点对应圆心的距离权值，τ为削波改进前的圆弧拟合会偏向圆弧密集的一侧，而改进因数，圆弧上的点距离大于τ的点被赋予权值为后的圆拟合明显有很大改善。０，而小于τ被赋予［０，１］之间权值。Ｎ为小的常数２．３标定通常人为定义为２。引入距离权值后最小二乘法误差函数平方机器人手眼标定就是图像像素坐标系与机器人Ｅ为如式（６）：坐标系之间的转换关系。实验采取ｅｙｅ－ｔｏ－ｈａｎｄ（机２（６）器人和工业相机相对固定）九点标定法进行标定。Ｅ＝ωｉδｉ对Ｅ的各项求偏导，进行最小二乘法拟合。九点标定法可用于二维平面ｅｙｅ－ｔｏ－ｈａｎｄ在第一次迭代时采用标准最小二乘法，即ωｉ＝１，系统，相对其它标定法更加简单如式（９）：按照Ｔｕｋｅｙ舍去离群点后再次赋权进行迭代。通■ｐｘ■■ｃｏｓθ－ｓｉｎθ０■■Ｓｘ·ｘ■■Ｔｘ■过该方法筛除和拟合各个圆弧上的点，得到对应半ｐｙ＝ｓｉｎθｃｏｓθ０Ｓｙ·ｙ＋Ｔｙ（９）径和圆心后，用一次定位时圆弧半径、圆心范围筛■１■■００１■■１■■０■

3１２０佳木斯大学学报（自然科学版）２０２３年式（９）中ｐｘ，ｐｙ为图片的像素坐标系。Ｓｘ，５３．９％，平均误差分别减少了３６．７％和５０．８％。三Ｓｙ分别对应着机器人坐标系ｘ，ｙ轴方向缩放比种方法位置误差趋势如图７所示。例。Ｔｘ，Ｔｙ分别ｘ，ｙ方向位移。将标定板上９个点的实际位置（ｘ，ｙ）与像素点的９个位置带入式（９）得仿射矩阵Ｈ见式（１０）：■Ｓｘｃｏｓθ－ＳｘｓｉｎθＴｘ■Ｈ＝ＳｙｃｏｓθＳｙｃｏｓθＴｙ（１０）■００１■采用最小二乘法拟合仿射矩阵Ｈ，即可得到两坐标之间转换关系。图７误差趋势图３结语针对视觉定位圆孔型零件孔心的问题，提出了一种二次定位的方法。该方法相比传统视觉寻孔有以下优势：（１）采用神经网络训练不同环境下图６改进前后圆拟合情况的装配孔图片集，避免了使用阈值分割进行筛选，２．４测量可以应用于复杂光照环境下寻孔；（２）根据ＣＮＮ定位矩形框参数对其亚像素轮廓进行自适应圆弧实验用Φ＝２０ｍｍ的键槽孔零件位于９个筛选。可以依次找到因为反光而缺损的圆弧，且自不同的位置进行定位实验，分别使用常规寻孔的适应不同尺寸的孔型零件定位；（３）改进的ＩＲＬＳ拟Ｈｏｕｇｈ变换法、ＣＮＮ一次定位法、ＣＮＮ－ＩＲＬＳ二合不仅有根据圆心赋予权值后，还根据弧长赋予权次定位法，记录其与实际位置之间的误差（单位值后进行筛选，在处理小缺陷和反光的金属零件时ｍｍ），结果如表３所示。优势明显。表３测量位置与实际位置误差位置Ｈｏｕｇｈ法一次定位二次定位参考文献：１（０．９７，０．８）（－０．９３，０．７７）（０．０９，０．５６）［１］朱福康，丛明，刘毅，等．基于ＲＧＢ－Ｄ图像的机器人无标定２（０．４４，０．７９）（１．１１，１．４１）（０．４２，０．６５）视觉定位［Ｊ］．计算机集成制造系统，２０１９，第２５卷（８）：２００７３（－０．７８，０．０２）（－１．３１，０．１１）（－０．４０，０．１０）－２０１５．４（－０．８５，－０．３２）（－０．９０，０．０８）（－０．６０，０．１８）［２］齐浪．基于机器视觉的螺纹孔识别定位及装配轨迹优化方法研究［Ｄ］．西安：西安建筑科技大学，２０２０．５（－０．４０，０．０７）（－０．５１，０．３０）（－０．４４，０．１３）［３］王洪雁，邱贺磊，郑佳，等．光照变化下基于逆向稀疏表示的视６（－０．６４，０．２６）（－０．４４，０．２７）（０．０９，０．１４）觉跟踪方法［Ｊ］．电子与信息学报，２０１９，４１（３）：６３２－６３９．７（０．１８，－０．９４）（０．０８，－０．８７）（－０．２６，－０．５５）［４］唐勇，王美林．基于改进ＹＯＬＯｖ３的ＰＶＣ皮革瑕疵检方法研究８（０．２３，０．１８）（１．１０，０．１１）（０．２０，－０．０１）［Ｊ］．佳木斯大学学报（自然科学版），２０２２，４０（０２）：１１９－１２２．［５］ＫｒｉｚｈｅｖｓｋｙＡ，ＳｕｔｓｋｅｖｅｒＩ，ＨｉｎｔｏｎＧＥ．Ｉｍａｇｅｎｅｔｃｌａｓｓｉｆｉｃａ－９（０．５８，０．３３）（０．５７，０．４２）（０．５３，０．１８）ｔｉｏｎｗｉｔｈｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．Ａｄｖａｎｃｅｓ根据表３分别采用ｘ轴、ｙ轴方向最大误差和ｉｎｎｅｕｒａｌｉｎｆｏｒｍａｔｉｏｎｐｒｏｃｅｓｓｉｎｇｓｙｓｔｅｍｓ，２０１２，２５．ｘ轴、ｙ轴平均误差和来评价优化指标如表４所示。［６］ＩａｎｄｏｌａＦＮ，ＨａｎＳ，ＭｏｓｋｅｗｉｃｚＭＷ，ｅｔａｌ．ＳｑｕｅｅｚｅＮｅｔ：表４最大误差与平均误差ＡｌｅｘＮｅｔ－ｌｅｖｅｌａｃｃｕｒａｃｙｗｉｔｈ５０ｘｆｅｗｅｒｐａｒａｍｅｔｅｒｓａｎｄ＜０．５ＭＢｍｏｄｅｌｓｉｚｅ［Ｊ］．ａｒＸｉｖｐｒｅｐｒｉｎｔａｒＸｉｖ：１６０２．０７３６０，２０１６．方法ｘ最大误差ｙ最大误差平均误差Ｈｏｕｇｈ法０．９７０．９４０．４９一次定位１．３１１．４１０．６３（下转１７４页）二次定位０．６００．６５０．３１对比可知，二次定位法最大误差相对于Ｈｏｕｇｈ法和一次定位的误差分别减少了３３．０％和

4１７４佳木斯大学学报（自然科学版）２０２３年夜间灯光强度所表示出的特征贡献值在正负区域庭照明灯光外，道路灯光和景色关照灯等也会影响内分布情况相当，不具有显著的正相关关系，其原到夜间灯光值的分布，故其与对人口估算的贡献特因在于夜间灯光来源的复杂性，除了人口聚集的家征值的变化具有复杂变化的态势。图３住宅用地、生活服务和夜间灯光特征值与特征贡献值之间的关系化研究标准。３结论大数据、地理信息技术和数据融合手段的不参考文献：断改进和优化，为探究随机森林算法下的人口空间［１］郭子翰，陈斐，刘晓丽，等．基于土地利用类型提高人口格网数据空间精度的方法［Ｊ］．测绘通报，２０２１（１２）：６６－７０．化提供了新的技术手段支撑。基于随机森林算法［２］刘正廉，桂志鹏，吴华意，等融合建筑物与ＰＯＩ数据的精细下的特征提取改进和对人口空间误差的控制，发现人口空间化研究［Ｊ］．测绘地理信息，２０２１，４６（０５）：１０２－１０６．模型估算的人口数值与实际数值之间相差不大，其［３］王美玲，张和生．基于珞珈一号夜间灯光数据的人口空间化数值多集聚在网格的左下角部分，且其拟合曲线Ｙ研究［Ｊ］．地理空间信息，２０２１，１９（０９）：５３－５６＋７．［４］成方龙，赵冠伟，杨木壮，等．集成地理探测器与随机森林模型＝１．０２６９Ｘ－２５．４３９的决定系数（０．８６３）可以解释的城市人口分布格网模拟［Ｊ］．测绘通报，２０２０（０１）：７６－８１．因变量约８６．３％的变异，人口分布呈现出“中心高［５］郑茹敏，梅林，姜洪强，等．基于随机森林模型的中国流动人值聚集－四周低值环绕”的空间格局。同时发现住口社会融合空间差异及影响因素［Ｊ］．地理科学，２０２１，４１宅用地特征数量与其特征贡献值之间呈现上升态（１０）：１７６３－１７７２．势，其最大值为４９００；生活服务点的特征贡献值在［６］李昊，张和生，王美玲．基于ＮＰＰ／ＶＩＩＲＳ和ＬＪ１－０１夜间灯信息点核密度０．３之前是与密集程度成正比，但在光数据的人口空间化对比研究———以北京市为例［Ｊ］．遥感信息，２０２１，３６（０５）：９０－９７．核密度为０．３－０．９之间时，其数值基本维持在２００［７］ＨｌａｂＣ，ＺｇａＢ，ＪｗａＢ，ｅｔａｌ．ＧＤＰｓｐａｔｉａｌｉｚａｔｉｏｎｉｎＮｉｎｇｂｏ－４００之间；总体看来，基于随机森林算法建立的ＣｉｔｙｂａｓｅｄｏｎＮＰＰ／ＶＩＩＲＳｎｉｇｈｔ－ｔｉｍｅｌｉｇｈｔａｎｄａｕｘｉｌｉａｒｙｄａ－模型能较好探究人口空间分布及其影响机制，其将ｔａｕｓｉｎｇｒａｎｄｏｍｆｏｒｅｓｔｒｅｇｒｅｓｓｉｏｎ［Ｊ］．ＡｄｖａｎｃｅｓｉｎＳｐａｃｅＲｅ－人口空间进行网格化处理的研究思路能较大程度ｓｅａｒｃｈ，２０２０，６５（１）：４８１－４９３．上提高人口估算值算法的精确度，丰富了后续人口■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■（上接１２０页）ＲｅｓｅａｒｃｈｏｎＣＮＮ－ＩＲＬＳＡｓｓｅｍｂｌｙＨｏｌｅＰｏｓｉｔｉｏｎｉｎｇＭｅｔｈｏｄ＊ＷＡＮＧＸｕｄｏｎｇ，ＨＵＡＮＧＨａｉｂｉｎ（ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌａｎｄＡｕｔｏｍｏｔｉｖｅＥｎｇｉｎｅｅｒｉｎｇ，ＸｉａｍｅｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，ＸｉａｍｅｎＦｕｊｉａｎ３６１０２４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｄｅｆｅｃｔｓ，ｒｅｆｌｅｃｔｉｏｎｓｏｒｉｎｓｕｆｆｉｃｉｅｎｔａｍｂｉｅｎｔｉｌｌｕｍｉｎａｔｉｏｎ，ａｍｅｔｈｏｄｏｆｓｅｃｏｎｄａｒｙｐｏｓｉｔｉｏｎｉｎｇｉｓｐｒｏｐｏｓｅｄｆｏｒｐｒｉｍａｒｙｐｏｓｉｔｉｏｎｉｎｇｂｙｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（ＣＮＮ），ａｎｄｔｈｅｎｕｓｉｎｇｔｈｅｉｍｐｒｏｖｅｄＩｔｅｒａｔｉｖｅＲｅｗｅｉｇｈｔｅｄＬｅａｓｔＳｑｕａｒｅｓｍｅｔｈｏｄ（ｈｅｒｅｉｎａｆｔｅｒｒｅｆｅｒｒｅｄｔｏａｓＩＲＬＳ）ｆｏｒｓｃｒｅｅｎｉｎｇａｎｄｆｉｔｔｉｎｇ．Ｉｎｔｈｅｆｉｒｓｔｌｏｃａｌｉｚａｔｉｏｎ，ｔｈｅａｃｃｕｒａｃｙａｎｄｒｅｃａｌｌｒａｔｅｏｆｔｈｅｔｒａｉｎｅｄｍｏｄｅｌｒｅａｃｈｅｄ９８．２％ａｎｄ９７．４％，ｒｅｓｐｅｃｔｉｖｅｌｙ，ａｎｄｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｓｅｃｏｎｄａｒｙｐｏｓｉｔｉｏ－ｎｉｎｇｗａｓ９９．１％，ｗｈｉｃｈｗａｓ３１．９％ａｎｄ１５．５％ｈｉｇｈｅｒｔｈａｎｔｈａｔｏｆｃｏｎｖｅｎｔｉｏｎａｌｍｏｒｐｈｏｌｏｇｉｃａｌｓｃｒｅｅｎｉｎｇａｎｄｔｅｍｐｌａｔｅｍａｔｃｈｉｎｇｕｎｄｅｒｃｏｍｐｌｅｘｌｉｇｈｔｉｎｇ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｉｎｓｅｃｏｎｄａｒｙｐｏｓｉｔｉｏｎｉｎｇ，ｔｈｅｍａｘｉｍｕｍｐｏｓｉｔｉｏｎｉｎｇｅｒｒｏｒｏｆｔｈｅｒｏｕｎｄｈｏｌｅｉｓ０．６５ｍｍ，ａｎｄｔｈｅａｖｅｒａｇｅｅｒｒｏｒｉｓ０．３１ｍｍ．ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅＨｏｕｇｈｍｅｔｈｏｄａｎｄＣＮＮｄｉｒｅｃｔｐｏｓｉｔｉｏｎｉｎｇ，ｔｈｅｍａｘｉｍｕｍｅｒｒｏｒｗａｓｒｅｄｕｃｅｄｂｙ３３．０％ａｎｄ５３．９％，ｒｅ－ｓｐｅｃｔｉｖｅｌｙ，ａｎｄｔｈｅａｖｅｒａｇｅｅｒｒｏｒｗａｓｒｅｄｕｃｅｄｂｙ３６．７％ａｎｄ５０．８％，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｋｅｙｗｏｒｄｓ：ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ；ｉｔｅｒａｔｉｖｅｒｅｗｅｉｇｈｔｅｄｌｅａｓｔｓｑｕａｒｅｓ；ｈｏｌｅｐｏｓｉｔｉｏｎｉｎｇ；ｒｏｂｏｔａｃｔｉｖｅａｓｓｅｍｂｌｙ