用于并联机器人视觉系统的目标检测方法及装置制造方法及图纸

本发明专利技术属于图像处理技术领域，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，该方法包含：采集目标图像，并分为训练数据集和测试数据集；搭建混合自动编码器，将训练数据集中图像分批送入混合自动编码器进行去噪和稀疏处理，获取带有分类标签的图像数据；将图像数据送入Faster RCNN神经网络进行模型训练；将测试数据集图像数据送入已训练好的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，对待检测图像进行目标识别定位。本发明专利技术提高模型抗干扰能力及其鲁棒性，降低数据集训练难度，提高模型训练速度和质量，使神经网络便于针对不同待识别目标易于重用，对图像处理和目标识别技术领域具有重要指导意义。

Target Detection Method and Device for Parallel Robot Vision System

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，获取去除噪声及稀疏特征的图像；将带有分类标签图像数据送入FasterRCNN神经网络进行模型训练；将测试数据集中的两组待检测目标图像送入已训练好的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。上述的，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。上述的，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于每个编码器输出端的监督层；将三层编码器的输出图像特征作为对应每层编码器监督层输入，利用监督层对图像数据进行分类标签处理，获取去除噪声及稀疏特征的图像。上述的，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。上述的，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。上述的，获取候选初始种群过程中，引入混沌机制，并通过帐篷映射获取候选初始种群中的个体元素。一种用于并联机器人视觉系统的目标检测装置，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，获取带有分类标签的图像特征数据；训练模块，用于将监督层输出的带有分类标签图像特征数据送入FasterRCNN神经网络进行模型训练；测试模块，用于将测试数据集中的两组待检测目标图像送入已训练好的FasterRCNN神经网络中进行模型测试；目标识别模块，用于将测试后的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。上述的装置中，采集模块包含：采集子模块和分组子模块，其中，采集子模块，用于拍摄收集目标数据，该目标数据包含每张图片只包含一个待识别物体的单目标图像数据和每张图片中存在多种不同待识别物体的多目标图像数据；分组子模块，用于依据图片中含有待识别物体数量将收集到的目标数据分成两组，其中，一组为单目标图像数据组，另一组为多目标图像数据组；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。上述的装置中，所述的编码模块包含第一去噪编码子模块、第二去噪编码子模块、稀疏编码子模块和监督分类子模块，其中，第一去噪编码子模块，用于利用去噪自动编码器为图像数据添加人工噪音，构造图像训练特征；第二去噪编码子模块，用于利用去噪自动编码器为图像数据添加人工噪音，构造图像训练特征；稀疏编码子模块，用于利用稀疏自编码器进行图像数据处理，获取输出图像特征；监督分类子模块，用于通过在去噪自动编码器和稀疏自编码器两者输出端添加监督层，获取最终带有分类标签的图像特征数据。上述的装置中，所述监督分类子模块包含数据分类模块和添加标签模块，其中，数据分类模块，用于对输出图像特征进行数据分类；添加标签模块，用于对分类后的图像特征数据自动添加标签，得到带有分类标签的图像特征数据。本专利技术的有益效果：本专利技术解决传统检测方法数据集制作工作量大、计算量大，对于颜色相近或者目标物体有残缺、被部分遮挡时识别精度差的问题；可采用cuda编程，实现GPU、CPU并行计算从而加快深度学习计算速度，大量采集非标注图片数据用于训练神经网络，采用混合自动编码器获取精准、抗干扰能力强的图像数据特征，在混合自动编码器后加监督层，为其输出的图像特征统一自动标注，并把标注的特征图像输入到FasterRCNN神经网络训练数据模型，在通过另一组数据反向训练神经网络参数，最后实现对目标的识别和定位；提高模型抗干扰能力及其鲁棒性，降低数据集训练难度，提高模型训练速度和质量，使神经网络便于针对不同待识别目标易于使用，对图像处理和目标识别
具有重要的指导意义。附图说明：图1为实施例中目标识别方法流程示意图；图2为实施例中目标识别装置示意图；图3为实施例中采集模块示意图；图4为实施例中编码模块示意图；图5为实施例中监督分类子模块示意图；图6为实施例中目标识别原理示意图；图7为实施例中混合自动编码器原理示意图；图8为实施例中标签标注流程图；图9为实施例中FasterRCNN神经网络模型示意图。具体实施方式：为使本专利技术的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本专利技术作进一步详细的说明。目前图像处理技术中，通过监督学习进行数据集训练，前期数据集标注、制作会花费大量的人力物力；单独使用无监督学习容易造成不便于应用于目标检测、过拟合等问题。为此，本专利技术实施例，参见图1所示，提供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：S101、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；S102、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，获取带有分类标签的图像数据；S103、将带有分类标签图像数据送入FasterRCNN神经网络进行模型训练；S104、将测试数据集中的两组待检测目标图像送入已训练好的FasterRCNN神经网络中进行模型测试；S105、将测试后的FasterRCNN神经网络模型嵌入并联机器人视觉系统中，本文档来自技高网...

【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