The invention belongs to the field of image processing technology, and particularly relates to a target detection method and device for a parallel robot vision system. The method includes: acquiring target images, dividing them into training data sets and test data sets; building a hybrid automatic encoder, and batching the images from the training data sets into the hybrid automatic encoder for denoising and sparse processing, and acquiring classifications. Label image data; image data are sent to Faster RCNN neural network for model training; image data of test data set is sent to trained Faster RCNN neural network for model testing; Faster RCNN neural network model after testing is embedded in parallel robot vision system, and target recognition and location are carried out for the detected image. The invention improves the anti-interference ability and robustness of the model, reduces the difficulty of data set training, improves the speed and quality of model training, makes the neural network easy to reuse for different targets to be identified, and has important guiding significance in the field of image processing and target recognition technology.
【技术实现步骤摘要】
用于并联机器人视觉系统的目标检测方法及装置
本专利技术属于图像处理
,特别涉及一种用于并联机器人视觉系统的目标检测方法及装置。
技术介绍
近年来机器视觉发展迅猛,机器视觉将越来越多的被应用于工业、生活、交通、航空航天、娱乐、建造等行业场景,成为人工智能的眼睛,因此更加快速、精准的机器视觉将是以后的发展趋势,在技术层面,更快更精准的深度学习将是以后的研究重点,通过降低模型训练难度、增加模型训练识别速度等优化机器视觉,将是机器视觉的发展趋势。在机器视觉中,目标检测技术被应用于各类工业生产、交通运输等领域,发挥着不可或缺的角色。其中YOLO、R-CNN、FastR-CNN、FasterR-CNN等基于深度学习的目标检测表现良好,但是大部分模型还存在数据集制作困难,花费大,速度慢精度低的问题,因此目标检测还有很多方面需要改进。
技术实现思路
为此,本专利技术提供一种用于并联机器人视觉系统的目标检测方法及装置,降低数据集制作难度,提高模型泛化能力,进一步解决颜色相近、有遮挡残缺的目标物体检测问题,提高运行速度和目标识别定位精度。按照本专利技术所提供的设计方案,一种用于并联机器人视觉系统的目标检测方法,包含如下内容:采集目标图像,并将采集到的目标图像分为训练数据集和测试数据集。将训练集中包含目标的图片与纯背景图片通过背景差法获取一个精准的目标候选框,根据候选框对图像进行剪切,并把文件夹名称作为分类标签与剪切得到的目标结合,获得有标签的数据集。每一组类别都按照此方式获取有标签的数据集;搭建混合自动编码器,将训练数据集中图像分批送入混合自动编码器进行去噪和稀疏处理,获取 ...
【技术保护点】
1.一种用于并联机器人视觉系统的目标检测方法,其特征在于,包含如下内容:采集目标图像,并将采集到的目标图像分为训练数据集和测试数据集;搭建混合自动编码器,将训练数据集中有标签的数据集根据标签分组分批送入混合自动编码器进行去噪和稀疏处理;将带有分类标签图像数据送入CNN神经网络进行模型训练;将初始模型数据送入Faster RCNN神经网络进行模型训练,获取最终目标检测模型;将测试数据集中的两组待检测目标图像通过混合自动编码器的降噪稀疏处理,将输出送入已训练好的Faster RCNN神经网络中进行模型测试;将测试后的Faster RCNN神经网络模型嵌入并联机器人视觉系统中,通过工业摄像机对视场范围内采集到的待检测图像进行目标识别定位。
【技术特征摘要】
1.一种用于并联机器人视觉系统的目标检测方法,其特征在于,包含如下内容:采集目标图像,并将采集到的目标图像分为训练数据集和测试数据集;搭建混合自动编码器,将训练数据集中有标签的数据集根据标签分组分批送入混合自动编码器进行去噪和稀疏处理;将带有分类标签图像数据送入CNN神经网络进行模型训练;将初始模型数据送入FasterRCNN神经网络进行模型训练,获取最终目标检测模型;将测试数据集中的两组待检测目标图像通过混合自动编码器的降噪稀疏处理,将输出送入已训练好的FasterRCNN神经网络中进行模型测试;将测试后的FasterRCNN神经网络模型嵌入并联机器人视觉系统中,通过工业摄像机对视场范围内采集到的待检测图像进行目标识别定位。2.根据权利要求1所述的用于并联机器人视觉系统的目标检测方法,其特征在于,采集目标图像中,将该采集到的目标图像分成两组,其中,一组为每张图片只包含一个待识别物体,另一组为每张图片中存在多种不同待识别物体;并将每组待检测目标图像分别划分成训练数据和测试数据,将每组对应的图像数据分别输入训练数据集和测试数据集。3.根据权利要求1所述的用于并联机器人视觉系统的目标检测方法,其特征在于,所述混合自动编码器包含第一层去噪自编码器、第二层去噪自编码器、第三层稀疏自编码器及设置在每层输出端的三层监督层;编码器的输出图像特征分别作为对应输出端监督层的输入,获取目标区域,进行分类标签处理。4.根据权利要求3所述的用于并联机器人视觉系统的目标检测方法,其特征在于,所述监督层对输出图像特征进行自动分类并添加分类标签,获取带有分类标签的图像数据。5.根据权利要求1所述的用于并联机器人视觉系统的目标检测方法,其特征在于,针对输入的图像数据,FasterRCNN神经网络通过前向、反向传播算法进行模型训练测试。6.一种用于并联机器人视觉系统的目标检测装置,其特征在于,包含:采集模块、编码模块、训练模块、测试模块和目标识别模块,其中,采集模块,用于采集目标图像,并将采集到的目标图像分为训练数据集和测试数据集;编码模块,用于搭建混合自动编码器,将训练数据集中图像分批送入混合自动编码器进行去噪和稀疏处理,最终获取带有分类标签的图像特征数据...
【专利技术属性】
技术研发人员:王丽君,温梦艳,王欣欣,高冠阳,孔祥瑞,谷宇希,
申请(专利权)人:华北水利水电大学,
类型:发明
国别省市:河南,41
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。