The invention discloses a connector assembly feature deep learning and recognition methods, including sample collection, sample identification stage of deep learning stage, the stage of sample collection, collection of qualified image detection, sample range, sample type specified by the testing personnel, calculate the horizontal and vertical displacement, construct the co training matrix, obtain co sample set; the samples of deep learning stage, CO training sample set input convolutional neural network, deviation matrix and calculate the co sample set, modify the association training matrix and iterative matrix to co deviation meet the threshold requirements; the stage of recognition, to convolutional neural network input samples deep learning phase identification the output will be the category. This method can realize assembly process connector automatic identification, automatic learning by manually specify the location and type of sample can be identified after the implementation of comprehensive, intelligent, assembly quality for different workpiece detection.
【技术实现步骤摘要】
一种装配连接件图像特征深度学习与识别方法
本专利技术涉及装配连接件识别方法,尤其涉及一种装配连接件图像特征深度学习与识别方法。
技术介绍
装配指按规定的技术要求,将零件或部件进行配合连接,使之成为半成品或成品的工艺过程。装配是产品制造工艺的重要工序,装配的好坏,对产品的质量起决定性作用。讨论装配质量,是在所有装配零件均为合格品、安装正确的前提条件下进行的,故在检测产品装配质量之前,必须检查有无错装和漏装的零件。由于装配零件、联接件多,装配检测对象多样化,对检测技术的准确性、一致性与实时性提出了更高的要求与挑战。实现装配零部件、连接件检测的经典机器视觉检测方法主要有:基于固有特征的识别方法与基于匹配的检测方法。基于固有特征的识别方法专用性强、灵活性较差,若改变应用对象,则必须由专业视觉检测人员设置检测特征,如汽车活塞装配质量视觉检测系统(ZL201010543006.5)可一次性自动对汽车活塞顶面字符,活塞环装配,石墨层完整性等内容进行基于数字图像的视觉检测;视觉检测方法(201610496560.X)使得在检测待检品的图像上的圆时可以提高圆心和半径提取的准确度以及速度,进而提高提取效率;汽车刹车主缸活塞表面质量机器视觉检测装置(201210348279.3)能实现自动完成活塞表面质量缺陷的快速检测,给出表面质量的检测结果。基于固有特征的识别方法对特定的零部件检测效果好,若对象变化,则必须由专业视觉检测人员重新检测特征,灵活性较差。基于匹配的检测方法可以灵活性较强,对于未提前设定好的情况无法检出,限制了其使用范围。本专利技术专利利用深度学习提取装配连接件图像 ...
【技术保护点】
一种装配连接件图像特征深度学习与识别方法,其特征在于,所述方法包括以下步骤:步骤A样本采集阶段,包括采集合格图像序列(I1,I2…In),由检测人员指定检测样本范围sc、样本类型C(sc),计算水平方向最大位移
【技术特征摘要】
1.一种装配连接件图像特征深度学习与识别方法,其特征在于,所述方法包括以下步骤:步骤A样本采集阶段,包括采集合格图像序列(I1,I2…In),由检测人员指定检测样本范围sc、样本类型C(sc),计算水平方向最大位移与垂直方向最大位移构建协训练矩阵MX、MY,获取协样本集Sc;步骤B样本深度学习阶段,包括将协样本集Sc输入卷积神经网络进行训练,并计算协样本集的偏差矩阵Pc,修改协训练矩阵并多次迭代使协偏差矩阵P(i)满足阈值要求;并记录下卷积神经网络结构及各层权重;步骤C识别阶段,包括将欲识别的样本s输入深度学习阶段得到的卷积神经网络,并可输出其类别C(s)。2.如权利要求1所述的装配连接件图像特征深度学习与识别方法,其特征在于,所述步骤A具体包括:所述采集合格图像序列(I1,I2…In)指设计图像采集装置...
【专利技术属性】
技术研发人员:林镇秋,黄瑛娜,杨锦波,
申请(专利权)人:广州市华颉电子科技有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。