[發明專利]一種用于零件圖像識別的支持向量機的優化方法

有效

• 申請號: 202010031077.0
• 申請日: 2020-01-13
• 公開（公告）號: CN111275078B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 崔海華;程筱勝;方舟;田威;廖文和
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06N3/006
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 蘇一幟

本發明實施例公開了一種用于零件圖像識別的支持向量機的優化方法，涉及機器視覺技術領域，能夠提高工業機器人高效準確的零件識別效果。本發明包括：對圖像樣本進行圖像預處理，提取其形狀特征，建立不同種類的零件的訓練集；利用支持向量機進行訓練，通過遺傳粒子群算法同時進行支持向量機的參數優化和特征選擇，獲得優化后的參數和篩選后的特征；提取測試集零件的篩選后的特征，將其輸入訓練好的支持向量機模型獲得零件的類別。本發明適用于工件識別。

技術領域

本發明涉及機器視覺技術領域，尤其涉及一種用于零件圖像識別的支持向量機的優化方法。

背景技術

隨著制造業柔性化需求的提高，機器視覺與工業機器人的結合也越來越緊密。在現今的智能制造生產過程中，對工業機器人自動識別抓取工件的需求逐漸增加，機器視覺系統通過攝像機獲取工件圖像，進而進行識別并將工件種類信息傳遞給機器人，對機器視覺來說，如何高效準確的識別工件種類已經成為一項重要任務。

支持向量機作為一種經典的機器學習方法在圖像識別中得到了廣泛的應用。但是存在以下問題：第一，支持向量機的性能對其自身參數的變化非常敏感，目前在使用過程中的參數尋優通過網格搜索法實現，其效率隨著網格密集程度的提升而急劇下降；第二，支持向量機的輸入特征維度過少會導致分類效果不佳，輸入特征維度過多會加大計算量甚至反而降低分類正確率，然而特征選取組合往往依賴于實驗者的主觀判斷，需經過大量實驗驗證其準確性，影響了使用效率和應用范圍。

發明內容

本發明的實施例提供一種用于零件圖像識別的支持向量機的優化方法，能夠提高工業機器人高效準確的零件識別效果。

為達到上述目的，本發明的實施例采用如下技術方案：

對初始化種群中的各個粒子并進行編碼，其中，每個粒子的編碼向量包括三部分，其中的兩部分分別用于表示所述支持向量機的參數的二進制編碼，剩余的一部分為表示特征選擇的標志位，所述支持向量機的參數包括：RBF的參數γ和SVM的懲罰參數C。在第N迭代周期中，更新第N-1迭代周期中的每個粒子的速度和位置，對更新后的粒子進行選擇交叉和變異處理，之后，獲取所述第N迭代周期中適應度最大的粒子作為所述第N迭代周期的最優粒子，其中，1＜N≤最大迭代次數。重復執行迭代周期直至N達到所述最大迭代次數，并獲取最優粒子。利用所述最優粒子對應的支持向量機參數和特征選擇構建支持向量機。對所采集零件的圖像樣本進行預處理后，輸入所構建的支持向量機，得到所構建的支持向量機輸出的識別結果。

本實施例提供一種用于零件圖像識別的支持向量機的優化方法，以達到工業機器人高效準確的零件識別效果，為實現以上目的，本發明采用一種基于支持向量機的零件識別方法，同時解決支持向量機的參數優化和特征選擇問題，具體步驟如下：首先，對圖像樣本進行圖像預處理，提取其形狀特征，建立不同種類的零件的訓練集；其次，利用支持向量機進行訓練，通過遺傳粒子群算法同時進行支持向量機的參數優化和特征選擇，獲得優化后的參數和篩選后的特征；最后，提取測試集零件的篩選后的特征，將其輸入訓練好的支持向量機模型獲得零件的類別。

本發明采用的以上技術方案與現有技術相比，具有以下技術效果：

1.可計算出最適合的支持向量機參數和所需選擇的特征，提高了識別準確率和自動化程度，在工業上有較大的應用價值；

2.不僅可以識別扁平工件，而且可識別具有一定高度的立體工件；

3.識別準確率對零件的擺放位置與角度具有魯棒性；

4.遺傳粒子群算法不僅適用在圖像識別方式，在可應用于其他非線性優化場合中。

附圖說明

為了更清楚地說明本發明實施例中的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其它的附圖。