[發明專利]零部件的圖像識別方法、裝置及系統

在審

• 申請號: 202211622185.0
• 申請日: 2022-12-16
• 公開（公告）號: CN116030297A
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 伍佳偉;郭賀鎧;李想
• 申請（專利權）人: 江蘇徐工國重實驗室科技有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06N3/08;G06N3/0464
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 俞翠華

1.一種零部件的圖像識別方法，其特征在于，包括：

將獲取到的實時零部件圖文檔解析成可運算數據；

將所述可運算數據分別輸入至預先訓練好的多主干卷積神經網絡模型、集成樹Lightgbm模型和SVM支持向量機模型；

接收所述多主干卷積神經網絡模型、集成樹Lightgbm模型和SVM支持向量機模型輸出的預測結果，對預測結果進行預處理后獲得預測得分，分別輸入至權重融合器；

利用權重融合器以投票法對各預測得分進行加權融合計算，獲得圖像識別結果。

2.根據權利要求1所述的一種零部件的圖像識別方法，其特征在于：所述將獲取到的實時零部件圖文檔進行解析成可運算數據，包括以下步驟：

將獲取到的實時零部件圖文檔分區處理后，存入磁盤緩存解釋器；

將磁盤緩存解釋器中的實時零部件圖文檔讀取至內存，并轉換成通用的圖片格式后，再處理成可供計算的張量或數組。

3.根據權利要求1所述的一種零部件的圖像識別方法，其特征在于：所述將獲取到的實時零部件圖文檔進行解析成可運算數據，還包括以下步驟：

利用內存緩存解釋器找出內存中超過一定時間為使用的內存塊，并將其移出內存。

4.根據權利要求1所述的一種零部件的圖像識別方法，其特征在于：所述多主干卷積神經網絡模型包括順次設置的多主干卷積層、池化層、全連接層、輸出層；

所述多主干卷積層包括若干個順次設置的主干卷積層，各主干卷積層結構相同，均包括順次設置的卷積層、歸一化處理層和激活函數；各主干卷積層之間添加跳躍連接處理；

當數據被輸入至多主干卷積層后，各主干卷積層對數據的處理過程為：

依次對數據進行卷積處理、歸一化處理，然后經過激活函數獲得計算結果，并將計算結果傳入到下一主干卷積層和與其之間添加有跳躍連接處理的主干卷積層。

5.根據權利要求4所述的一種零部件的圖像識別方法，其特征在于：所述預先訓練好的多主干卷積神經網絡模型的訓練方法包括：

將獲取到的歷史零部件圖文檔解析成可運算數據；

將可運算數據與對應的標簽結合，封裝成訓練數據和測試數據；

利用所述訓練數據和和測試數據，訓練所述多主干卷積神經網絡模型，獲得預先訓練好的多主干卷積神經網絡模型。

6.根據權利要求1所述的一種零部件的圖像識別方法，其特征在于：所述預先訓練好的集成樹Lightgbm模型和SVM支持向量機模型的訓練方法包括：

將獲取到的歷史零部件圖文檔解析成可運算數據；

將可運算數據與對應的標簽結合，封裝成訓練數據和測試數據；

利用所述訓練數據和和測試數據，分別訓練所述集成樹Lightgbm模型和SVM支持向量機模型，獲得預先訓練好的集成樹Lightgbm模型和SVM支持向量機模型。

7.根據權利要求1所述的一種零部件的圖像識別方法，其特征在于：所述對預測結果進行預處理后獲得預測得分，分別輸入至權重融合器，包括以下步驟：

將多主干卷積神經網絡模型、集成樹Lightgbm模型和SVM支持向量機模型輸出的預測結果，分別輸入至對應的概率輸出函數，獲得屬于每一類的概率分數；

將屬于每一類的概率分數分別輸入至權重融合器。

8.一種零部件的圖像識別裝置，其特征在于，包括：

數據解析模塊，用于將獲取到的實時零部件圖文檔進行解析成可運算數據；

數據發送模塊，用于將所述可運算數據分別輸入至多主干卷積神經網絡模型、集成樹Lightgbm模型和SVM支持向量機模型；

數據處理模塊，用于接收所述多主干卷積神經網絡模型、集成樹Lightgbm模型和SVM支持向量機模型輸出的預測數據，并分別輸入至權重融合器；

識別模塊，用于利用權重融合器以投票法對各預測數據賦予權重系數，并進行疊加，獲得圖像識別結果。

9.一種零部件的圖像識別系統，其特征在于：包括存儲介質和處理器；

所述存儲介質用于存儲指令；

所述處理器用于根據所述指令進行操作以執行根據權利要求1-7中任一項所述的方法。