装配线仿真与装配件检测是装配线管控的重要任务。装配是智能制造的重要生产阶段,装配线是智能制造的关键组成单元,装配线管控也是装配制造中不可或缺的管理控制方式。中国制造2025科学和技术发展规划将数字化和智能化设计制造列为关键研究领域之一,装备制造业列为国家工业化和现代化的重要支柱产业之一,汽车产业列为重点产业项目之一。本论文以汽车装配线为研究对象,从装配线的前期搭建,布局优化实现装配效益最优,再到装配线的后期建成,装配件检测确保装配质量最佳。针对整条装配线布局仿真和装配件检测的主要问题进行深入的研究,紧密结合“三个之一”的“中国智造”核心需求,主要围绕四个关键技术:多目标布局优化、混合现实布局仿真、深度学习目标检测和混合现实装配检测,开展如下研究工作:1.基于组合多目标优化的机器人装配线的三维安全布局方法。针对现有的布局优化方法缺乏考虑机器人的高度信息和装配范围容易产生不安全布局的问题。首先,定义机器人等不规则设备的建模规则,使用蒙特卡罗（Monte Carlo）方法模拟机器人实际装配作业空间;再建立具有安全指标的装配线布局模型,兼顾物流成本最低和占地面积最小的多优化目标;然后,采用改进的结合优化方法求解该模型,有效提升主流的多目标优化算法求解该模型多样性和收敛性不佳的情况;最后,通过安全指标的阈值筛选确定安全布局,三维安全验证确保布局方案的安全性、多样性和经济性。2.基于混合现实的装配线布局人机交互方法。针对混合现实布局设计应用较少且人机交互不够直观灵活的问题,提出一种基于混合现实装配线布局的人机交互方法,为布局设计者提供直观便捷的辅助决策指导。视线跟踪和手势识别结合的方法进行目标选择,提升布局设计者单一手势选择的交互操作感和使用舒适性。针对传统布局需要实地布置,还需要不断的测试调整费时费力的问题,提出虚拟端和现实端数据驱动的装配线仿真方法。以数据驱动为载体,高保真度的完成装配线中各种设备间的信息交互,节约时间成本和人力成本,提高布局设计的时效性。3.基于深度学习的装配件质量检测方法。针对传统图像识别需要人工特征提取耗时长的问题,提出一种基于卷积神经网络目标识别的装配质量检测的方法,有效保证装配件的装配质量和效果。应用Alex Net和Faster R-CNN叠加,实现不同种类装配件的自适应装配检测。针对人为疲劳导致的装配失误,质量检测可跟踪记录检测过程,从管理端、操作端可视化装配线的工艺流程、生产节拍等装配信息。4.混合现实装配检测中深度学习数据增强方法。针对混合现实中装配操作者佩戴Holo Lens移动头戴显示设备具有检测视角多自由度且受检测环境影响大的问题,提出一种混合现实装配检测中深度学习数据增强方法。首先,采用人为最佳数据增强策略的数据预处理方法生成增强数据集;再用改进的图像增强方法,解决图像增强后装配件的部分检测目标特征失真的情况。该方法能有效生成数据增强集,无需大量的人工样本标注,既能有效提升检测模型的泛化能力,又能提高装配检测的识别精度。依托中国科学院沈阳计算技术研究所承担的国家级项目,理论研究成果已经应用于面向大型复杂结构件的多机器人协同制造子系统和基于数字孪生的智能车间管控技术之智能装配线的安全仿真子系统。本论文对装配线仿真与检测具有重要的应用意义。