[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

本發明公開了一種基于圖像識別的零件分類方法，其屬于圖像處理領域，包括以下步驟：采集零件圖像，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；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；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a，得到訓練完成的零件識別神經網絡；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。本發明通過實現零件分類，輔助維修人員或現場工作人員進行設備維修，避免了維修過程中零件識別費時費力的問題。

技術領域

本發明屬于圖像處理領域，具體涉及一種基于圖像識別的零件分類方法。

背景技術

如今，隨著多媒體技術的發展，包括圖像、音頻、視頻等信息的多媒體數據大量涌現，如何將大量的信息進行分類，已經成為多媒體技術研究中的熱點問題.圖像分類研究任務主要由預處理,特征提取和分類三個主要環節構成，每個環節對圖像的分類效果都有重要的影響。隨著計算機軟硬件和國際互聯網技術的飛速發展，多媒體數據的數量也以驚人的速度增長，各行各業有越來越多的信息通過圖像的形式進行表達，這無疑又給圖像分類這一任務的各個環節帶來了巨大的挑戰。現在工業制造中，有著各種各樣的零件，其中不乏有多類相似零件，維修時，分辨零件增加維修時長，且人工有時候會產生錯誤，從而造成損失，以及當維修人員不在現場時，其他人員無法自主對零件進行更換。

發明內容

針對現有技術中的上述不足，本發明提供的一種基于圖像識別的零件分類方法解決了現有技術人工零件識別費時費力的問題。

為了達到上述發明目的，本發明采用的技術方案為：一種基于圖像識別的零件分類方法，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。

進一步地，所述步驟S2中對零件圖像進行預處理的具體方法為：