[發明專利]一種基于圖像識別的零件分類方法

有效

• 申請號: 202010825217.1
• 申請日: 2020-08-17
• 公開（公告）號: CN111738367B
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 廖峪;林仁輝;蘇茂才;唐泰可
• 申請（專利權）人: 成都中軌軌道設備有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 劉宇輝

1.一種基于圖像識別的零件分類方法，其特征在于，包括以下步驟：

S1、采集K類零件圖像，且每類所述零件圖像采集N張；

S2、將采集的零件圖像進行預處理，并將預處理過后的零件圖像作為訓練集；

S3、構建零件識別神經網絡，并對其網絡參數進行初始化，得到初級零件識別神經網絡；

S4、構建損失函數，以損失函數最小為目標，并通過訓練集對初級零件識別神經網絡進行訓練，直至損失函數小于訓練閾值a，得到訓練完成的零件識別神經網絡；

S5、采集待識別圖像，對待識別圖像進行預處理，并將預處理后的待識別圖像輸入訓練完成的零件識別神經網絡中，得到零件分類結果；

所述步驟S4中的損失函數L具體為：

其中，n=1,2,...,N，N表示每一類樣本的總數，k=1,2,...,K，K表示樣本類別數，表示零件識別神經網絡計算得到的第n個樣本的輸出結果為第k類情況下的激活函數值，表示第n個樣本為第k類的概率，表示第一損失計算參數值，表示第二損失計算參數值，R( )表示正則化，W表示零件識別神經網絡的第一網絡參數，表示零件識別神經網絡的第二網絡參數；

所述具體為：

其中，表示在零件識別神經網絡參數為W和b的情況下，輸入樣本為所得到的輸入信號抽象特征；b表示零件識別神經網絡的第三網絡參數；表示在零件識別神經網絡參數為的情況下，輸入特征所得到的對應標簽；

所述網絡參數W、b和的更新公式為：

其中，表示使用第k類樣本訓練時的零件識別神經網絡的第一網絡參數，表示使用第k類樣本訓練時的零件識別神經網絡的第二網絡參數，表示使用第k類樣本訓練時的零件識別神經網絡的第三網絡參數，、和均表示微分項，表示網絡更新學習率。

2.根據權利要求1所述的基于圖像識別的零件分類方法，其特征在于，所述步驟S2中對零件圖像進行預處理的具體方法為：

A1、對零件圖像依次進行高斯濾波、均值濾波、最小均方差濾波和Gabor濾波，得到一級處理零件圖像；

A2、將一級處理零件圖像進行灰度化處理，得到二級處理零件圖像；

A3、求取二級處理零件圖像中像素點的梯度，并根據梯度將二級處理零件圖像進行灰度表示，得到三級處理零件圖像；

A4、將三級處理零件圖像進行輪廓縱坐標重建，得到四級處理零件圖像；

A5、提取四級處理零件圖像中輪廓區域，獲取預處理后的零件圖像。

3.根據權利要求2所述的基于圖像識別的零件分類方法，其特征在于，所述步驟A3的具體步驟為：

A31、依次求取二級處理零件圖像函數f(x,y)中每個像素點的梯度G(f(x,y))為：

其中，x表示像素點的橫坐標，y表示像素點的縱坐標，x=0,1,..,X，y=0,1,...,Y，X表示最大橫坐標，Y表示最大縱坐標，；

A32、設定灰度閾值T，根據灰度閾值T和每個像素點的梯度G(f(x,y))，將二級處理零件圖像進行灰度g(x,y)表示，得到三級處理零件圖像；所述灰度g(x,y)為：

其中，M表示位于輪廓上的像素點，N表示非輪廓線上的像素點。

4.根據權利要求2所述的基于圖像識別的零件分類方法，其特征在于，所述步驟A4的具體步驟為：

A41、隨機在三級處理零件圖像中尋找一個灰度g(x,y)=M的像素點，記該像素點為(x₀,y₀)；

A42、以像素點(x₀,y₀)為中心，提取像素點(x₀,y₀)的所有相鄰像素點中灰度為M的像素點；

A43、選取步驟A42中灰度為M的像素點中梯度最大的像素點，并以此梯度最大的像素點為中心，提取其所有相鄰像素點中灰度為M的像素點；

A44、根據步驟A43的方法進行類推，獲取三級處理零件圖像中的輪廓像素點，得到四級處理零件圖像。