[發(fā)明專利]一種相似零件智能檢索方法

在審

• 申請?zhí)枺?/td>: 202011346364.7
• 申請日: 2020-11-26
• 公開（公告）號: CN112488174A
• 公開（公告）日: 2021-03-12
• 發(fā)明（設(shè)計(jì)）人: 張勝文;崔家源;龔嬋媛;方喜峰;張春燕
• 申請（專利權(quán)）人: 江蘇科技大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F16/24
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 向文

1.一種相似零件智能檢索方法，其特征在于，包括如下步驟：

S1：獲取已有設(shè)備數(shù)據(jù)庫信息，通過對數(shù)據(jù)庫中的零件進(jìn)行關(guān)鍵特征提取，獲取到訓(xùn)練零件集；

S2：對訓(xùn)練集中的零件進(jìn)行特征識別，將獲取到的特征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)存儲；

S3：對待檢索的所有零件作為測試零件集進(jìn)行特征識別，將獲取到的特征數(shù)據(jù)作為測試數(shù)據(jù)存儲；

S4：基于布爾運(yùn)算方法，將訓(xùn)練集的特征和測試零件集的特征進(jìn)行相似對比分類，獲得測試零件集中的相似零件。

2.根據(jù)權(quán)利要求1所述的一種相似零件智能檢索方法，其特征在于，所述步驟S1中訓(xùn)練集的獲取方法為：通過三維軟件二次開發(fā)編程打開數(shù)據(jù)庫中的一個(gè)零件，通過圖像捕獲功能獲取到該零件當(dāng)前視圖下的二維視圖，通過三維軟件對該零件進(jìn)行多視角自由旋轉(zhuǎn)，在旋轉(zhuǎn)過程捕捉零件多視角靜態(tài)二維視圖，將捕捉的靜態(tài)二維圖作為訓(xùn)練樣本，形成訓(xùn)練集。

3.根據(jù)權(quán)利要求2所述的一種相似零件智能檢索方法，其特征在于，所述步驟S2中訓(xùn)練集中的零件的特征識別方法為：首先讀取訓(xùn)練集中零件的二維視圖，然后分別從方向梯度直方圖和灰度共生矩陣兩個(gè)方面特征提取特征值，最后將提取到的兩方面特征值進(jìn)行融合。

4.根據(jù)權(quán)利要求3所述的一種相似零件智能檢索方法，其特征在于，所述方向梯度直方圖方面的特征值的提取方法為：

首先對輸入零件二維截圖顏色進(jìn)行空間標(biāo)準(zhǔn)化處理，然后計(jì)算二維圖片中每個(gè)像素點(diǎn)的梯度，接著將二維圖像劃分成若干細(xì)胞單元，通過統(tǒng)計(jì)每個(gè)細(xì)胞單元的梯度直方圖來獲得每個(gè)細(xì)胞的描述符，將細(xì)胞單元組成空間塊，對組成的空間塊進(jìn)行歸一化處理，接著對處理后的空間塊提取其HOG特征，根據(jù)獲取的HOG特征量分到不同的分類。

5.根據(jù)權(quán)利要求3所述的一種相似零件智能檢索方法，其特征在于，所述灰度共生矩陣方面的特征值的提取方法為：

讀取零件圖像中任意一點(diǎn)A及偏離它的另一點(diǎn)B形成點(diǎn)對，設(shè)定該點(diǎn)對的灰度值，令點(diǎn)A在整個(gè)圖像上移動(dòng)，得到各種灰度值，對得到的灰度值進(jìn)行歸一化處理，獲取零件圖像的灰度共生矩陣，獲取灰度共生矩陣的紋理特征，分別計(jì)算紋理特征指標(biāo)的均差和方差值。

6.根據(jù)權(quán)利要求5所述的一種相似零件智能檢索方法，其特征在于，所述灰度共生矩陣的紋理特征包括能量、對比度、熵和相關(guān)性四種紋理參數(shù)。

7.根據(jù)權(quán)利要求1所述的一種相似零件智能檢索方法，其特征在于，所述步驟S3中測試零件集中的零件的特征識別方法為：首先讀取測試零件集中零件的二維視圖，然后分別從方向梯度直方圖和灰度共生矩陣兩個(gè)方面特征提取特征值，最后將提取到的兩方面特征值進(jìn)行融合。

8.根據(jù)權(quán)利要求1所述的一種相似零件智能檢索方法，其特征在于，所述步驟S4的具體過程為：采用支持向量機(jī)的方法實(shí)現(xiàn)相似零件的初步分類，將劃分在同一類別的訓(xùn)練集和測試零件集做布爾運(yùn)算，將運(yùn)算獲取的訓(xùn)練集與測試零件集特征之差△f作為進(jìn)一步分類數(shù)據(jù)，如果同類別之差值△f和0的對比獲取到測試零件集中的相似零件。

9.根據(jù)權(quán)利要求8所述的一種相似零件智能檢索方法，其特征在于，所述步驟S4中相似零件的初步分類方法具體為：首先將訓(xùn)練集和測試零件集數(shù)據(jù)轉(zhuǎn)換為支持向量機(jī)包格式，對獲得的數(shù)據(jù)進(jìn)行歸一化處理，采用RBF徑向基核函數(shù)將非線性映射到高維空間，通過交叉驗(yàn)證選取最佳懲罰參數(shù)c和核函數(shù)參數(shù)g，采用分類器進(jìn)行分類，接著測試分類器的分類效果，完成數(shù)據(jù)的分類。