一种基于深度学习的零件实例分割识别方法技术

本发明专利技术公开了一种零件图象实例分割方法，包括：零件图象采集，图像预处理，构建由预处理后的图像构成的数据集；搭建零件识别平台，通过Mask R‑CNN网络对零件进行识别，得到识别结果；设定零件识别概率阈值，识别概率高于阈值判定为识别成功，否则，判定为识别失败，记录识别错误图像，计算识别准确率，完成零件识别与图像分割，并对识别错误零件进行警示。本发明专利技术识别准确度高，识别效率高。

A Method of Parts Case Segmentation and Recognition Based on Deep Learning

The invention discloses an example segmentation method for part image, which includes: part image acquisition, image preprocessing, data set composed of pre-processed images; part recognition platform is built to recognize parts through Mask R_CNN network, and the recognition result is obtained; part recognition probability threshold is set, if the recognition probability is higher than the threshold, the recognition is successful, otherwise, the recognition result is determined. In order to identify the failure, record and identify the wrong image, calculate the recognition accuracy, complete the part recognition and image segmentation, and warn the parts that identify the error. The invention has high recognition accuracy and high recognition efficiency.

【技术实现步骤摘要】
一种基于深度学习的零件实例分割识别方法
本专利技术涉及机械加工
，具体来说涉及一种基于深度学习的零件分割识别的实施例。
技术介绍
个性化定制的需求的旺盛使得多品种小批量成为当今制造业发展趋势，制造企业需要对不同需求的市场做出快速响应，来提升自身竞争力，这对制造企业的自动化水平提出了更高要求。工业生产过程中存在大量的零件识别定位，零件识别技术已经成为提高产品生产质量和效率的重要一环，现有零件识别技术主要方法是利用相关图像处理算法对采集得到的零件图像进行特征提取，然后对提取到的特征进行分类，得到零件的具体类别，从而进行下一步工序。传统零件识别需要人工选择算法对零件图像特征进行提取，人工选取特征提取算法的好坏决定了零件识别的准确率。因此,需要一种更加准确有效的零件识别分割方法。
技术实现思路
本专利技术的目的在于克服上述缺点而提供的一种识别准确度高，识别效率高的基于深度学习的零件图像分割识别方法。本专利技术的一种基于深度学习的零件图像分割识别方法，包括以下步骤：（1）利用工业CCD相机对零件图像采集；（2）图像预处理：将图像归一化，利用标记软件对图像中的零件进行标记；（3）对数据集进行数本文档来自技高网...

【技术保护点】
1.一种基于深度学习的零件图像分割识别方法，包括以下步骤：（1）利用工业CCD相机对零件图像采集；（2）图像预处理：将图像归一化，利用标记软件对图像中的零件进行标记；（3）对数据集进行数据增强、划分K折（K=5）交叉验证；数据增强是对数据集中的图像进行比对度改变、随机剪裁、添加椒盐噪声；（4）加载Mask R‑CNN模型，进行权重的初始化和超参数设置；动量设为0.9，学习率设为0.001，学习率衰减系数设为0.001，最大迭代次数为50个时期（epoch），每周期迭代次数为50； （5）将图像送入卷积神经网络进行特征提取得特征图；（6）将步骤（5）得到的特征图送入RPN网络生成一系列的感兴趣区...

【技术特征摘要】
1.一种基于深度学习的零件图像分割识别方法，包括以下步骤：（1）利用工业CCD相机对零件图像采集；（2）图像预处理：将图像归一化，利用标记软件对图像中的零件进行标记；（3）对数据集进行数据增强、划分K折（K=5）交叉验证；数据增强是对数据集中的图像进行比对度改变、随机剪裁、添加椒盐噪声；（4）加载MaskR-CNN模型，进行权重的初始化和超参数设置；动量设为0.9，学习率设为0.001，学习率衰减系数设为0.001，最大迭代次数为50个时期（epoch），每周期迭代次数为50；（5）将图像送入卷积神经网络进行特征提取得特征图；（6）将步骤（5）得到的特征图送入RPN网络生成一系列的感兴趣区域，其中锚点设置为尺寸8*6像素，16*6像素，32*6像素，64*6像素，128*6，（0.5，1，2）3种不同比例，生成15个候选窗口，使用RoIAlign策略将生成感兴趣区域像素点重新对齐；（7）进行最大池化，固定特征图大小；（8）将步骤（7）生成的特征向量送入MaskR-CNN网络框架，分类器生成待识别零件的类别和位置信息，全卷积网络对特征图做4次卷积操作，生...

【专利技术属性】
技术研发人员：黄海松，魏中雨，姚立国，
申请(专利权)人：贵州大学，
类型：发明
国别省市：贵州,52