基于深度学习YOLO算法的线束连接器加工型号检测方法技术

本发明专利技术公开了基于深度学习YOLO算法的线束连接器加工型号检测方法，包括如下步骤：1）获取产品样本；2）样本标记；3）模型训练及模型输出：用深度学习YOLO算法对所标记的样本图片进行迭代训练，样本图片通过训练迭代学习输出深度学习模型；4）产品图像输入；5）图像预处理；6）产品型号检测；7）选择相应加工工艺。通过上述方式，本发明专利技术采用深度学习YOLO算法，检测准确度高，检测效率快，在GPU为TITAN X的设备上检测速度可达到45FPS，在产品传输过程中不需要停顿即可实现对其加工型号的检测，本发明专利技术具有检测精度高、速度快、适用性强等突出优点。

【技术实现步骤摘要】
基于深度学习YOLO算法的线束连接器加工型号检测方法
本专利技术属于线束连接器智能化检测
，尤其涉及基于深度学习YOLO算法的线束连接器加工型号检测方法。
技术介绍
目前的线束连接器生产线仍存在很大不足，其中加工型号的检测大部分依靠人工检测，大多数生产线根据线束连接器夹具Pin槽的型号及槽数，人工控制整个生产线工艺，每更换一次夹具Pin槽，就得重新调整整个生产线，极其复杂，消耗大量人力物力。随着人工智能的大面积普及，深度学习算法的日趋完善，计算机设备计算能力不断提高，深度学习技术在目标检测方面大有代替传统技术之势。如今目标检测的深度学习算法有很多，而其中用于工业检测的几乎只有FasterRCNN算法，其检测的准确度和效率相比传统技术有很大提升，但其针对小目标的检测准确度不是很稳定，虽然速度有所提升，但并不能达到实时检测，对硬件设备的要求也很苛刻。
技术实现思路
本专利技术的目的在于提供基于深度学习YOLO算法的线束连接器加工型号检测方法，该检测方法能够提高线束连接器加工型号检测的准确度和效率。为解决上述技术问题，本专利技术采用的一个技术方案是：提供基于深度学习YOLO算法的线束连接器加工型号检测方法，包括以下步骤：步骤一、获取产品样本，获取若干线束连接器夹具Pin槽的样本图片；步骤二、样品标记，给所获得的样本图片上标签，标记样本图片上的目标区域，形成完整的数据集；步骤三、模型训练及模型输出，用深度学习YOLO算法对所标记的样本图片进行迭代训练，样本图片通过训练迭代学习输出深度学习模型；步骤四、产品图像输入，传送带将待检线束连接器夹具Pin槽移送到线束连接器定位机构旁的光电对射传感器后，传感器触发线束连接器定位机构上的气缸将待检线束连接器夹具Pin槽定位在传送带上的中心线位置上；传感器触发CCD摄像机及光源进行图像采集，并通过图像采集卡把摄像机拍到的视频信号转存到工业计算机上，从而获得线束连接器夹具Pin槽的图像；步骤五、图像预处理，针对获取的线束连接器夹具Pin槽图像，选取环形目标区域，对目标区域进行高斯滤波图像预处理，消除部分存在的图像噪声；步骤六、加工型号检测，将图像预处理后得到的图像输入到已经训练好的深度学习模型，即能够迅速检测到该线束连接器夹具Pin槽型号及槽数，获取加工型号；步骤七、选择相应工艺，按照检测图像的结果进行选择，根据加工型号的不同，选择不同的加工工艺。在本专利技术一个较佳实施例中，所述步骤1）中，获取每种型号不同槽数的线束连接器夹具Pin槽的样本图片各100~300张。在本专利技术一个较佳实施例中，所述步骤3）中，所述迭代训练中迭代次数为60000~100000次。本专利技术的有益效果是：1）采用本专利技术的检测方法，检测的准确度将会大大提高，检测的精度可以超过人工的检测精度，不需要人工辅助，可以实现完全的自动化；2）采用深度学习YOLO算法，检测准确度大大提高，检测效率也是极快，在GPU为TITANX的设备上检测速度可达到45FPS，在产品传输过程中不需要停顿即可实现对其的检测；3）不需要依靠特征提取、图形分割等极其复杂的算法，只需要提供产品夹具Pin槽对应的样本图片，可以适用不同的产品，不需要因产品型号不同而修改算法；综上，本专利技术检测方法，具有检测精度高、速度快、适用性强等突出优点。附图说明图1是本专利技术一种基于深度学习YOLO算法的线束连接器夹具Pin槽检测方法的流程图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。实施例：根据图1，本专利技术的步骤包括：基于深度学习YOLO算法的线束连接器加工型号检测方法，包括如下步骤：1）获取产品样本：获取若干线束连接器夹具Pin槽的样本图片；其中获取每种型号不同槽数的线束连接器夹具Pin槽样本图片各100~300张；2）样本标记：给所获得的样本图片上标签，标记样本图片上的目标区域，形成完整的数据集；优选使用LabelImg工具进行区域标记，可以显著提高标记效率；3）模型训练及模型输出：用深度学习YOLO算法对所标记的样本图片进行迭代训练，迭代次数为60000~100000次，样本图片通过训练迭代学习输出深度学习模型；4）产品图像输入：传送带将待检线束连接器夹具Pin槽移送到线束连接器定位机构旁的光电对射传感器后，传感器触发线束连接器定位机构上的气缸将待检线束连接器夹具Pin槽定位在传送带上的中心线位置上；传感器触发CCD摄像机及光源进行图像采集，并通过图像采集卡把摄像机拍到的视频信号转存到工业计算机上，从而获得线束连接器夹具Pin槽的图像；5）图像预处理：针对获取的线束连接器夹具Pin槽图像，选取环形目标区域，对目标区域进行高斯滤波图像预处理，消除部分存在的图像噪声；6）加工型号检测：将图像预处理后得到的图像输入到已经训练好的深度学习模型，即能够迅速检测到该线束连接器夹具Pin槽型号及槽数，获取加工型号；7）选择相应工艺：按照检测图像的结果进行选择，根据线束连接器夹具Pin槽型号和槽数的不同，选择不同的加工工艺。本专利技术揭示了基于深度学习YOLO算法的线束连接器加工型号检测方法，无需人为干预，可以自动实现加工类型及相应指标的快速、准确测量，解决线束连接器加工型号检测中的实际问题。采用深度学习YOLO算法，不需要一系列特征提取，图像分割等复杂的算法操作，只需要100张以上样本图像，在其上标记缺陷，然后进行迭代训练，该技术相比传统算法检测准确率大大提高，检测效率也是极快，在GPU为TITANX的设备上检测速度可达到45FPS，在产品传输过程中不需要停顿即可实现对其缺陷的检测。因此本专利技术具有检测精度高、速度快、适用性强等突出优点。以上所述仅是本专利技术的优选实施方式，应当指出，对于本
的普通技术人员来说，在不脱离本专利技术技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本专利技术的保护范围。本文档来自技高网...

【技术保护点】
1.基于深度学习YOLO算法的线束连接器加工型号检测方法，其特征在于，包括以下步骤：步骤一、获取产品样本，获取若干线束连接器夹具Pin槽的样本图片；步骤二、样品标记，给所获得的样本图片上标签，标记样本图片上的目标区域，形成完整的数据集；步骤三、模型训练及模型输出，用深度学习YOLO算法对所标记的样本图片进行迭代训练，样本图片通过训练迭代学习输出深度学习模型；步骤四、产品图像输入，传送带将待检线束连接器夹具Pin槽移送到线束连接器定位机构旁的光电对射传感器后，传感器触发线束连接器定位机构上的气缸将待检线束连接器夹具Pin槽定位在传送带上的中心线位置上；传感器触发CCD摄像机及光源进行图像采集，并通过图像采集卡把摄像机拍到的视频信号转存到工业计算机上，从而获得线束连接器夹具Pin槽的图像；步骤五、图像预处理，针对获取的线束连接器夹具Pin槽图像，选取环形目标区域，对目标区域进行高斯滤波图像预处理，消除部分存在的图像噪声；步骤六、加工型号检测，将图像预处理后得到的图像输入到已经训练好的深度学习模型，即能够迅速检测到该线束连接器夹具Pin槽型号及槽数，获取加工型号；步骤七、选择相应工艺，按照检测图像的结果进行选择，根据加工型号的不同，选择不同的加工工艺。...

【技术特征摘要】
1.基于深度学习YOLO算法的线束连接器加工型号检测方法，其特征在于，包括以下步骤：步骤一、获取产品样本，获取若干线束连接器夹具Pin槽的样本图片；步骤二、样品标记，给所获得的样本图片上标签，标记样本图片上的目标区域，形成完整的数据集；步骤三、模型训练及模型输出，用深度学习YOLO算法对所标记的样本图片进行迭代训练，样本图片通过训练迭代学习输出深度学习模型；步骤四、产品图像输入，传送带将待检线束连接器夹具Pin槽移送到线束连接器定位机构旁的光电对射传感器后，传感器触发线束连接器定位机构上的气缸将待检线束连接器夹具Pin槽定位在传送带上的中心线位置上；传感器触发CCD摄像机及光源进行图像采集，并通过图像采集卡把摄像机拍到的视频信号转存到工业计算机上，从而获得线束连接器夹具Pin槽的图像...

【专利技术属性】
技术研发人员：李海庆，
申请(专利权)人：江苏拙术智能制造有限公司，
类型：发明
国别省市：江苏,32