一种工件分类方法、装置、设备及介质制造方法及图纸

本申请提供了一种工件分类方法、装置、设备及介质，其中，该方法包括：获取待识别工件的工件图像，并提取所述工件图像的方向梯度直方图HOG特征；基于提取的HOG特征以及预先训练好的与各工件类别分别匹配的支持向量机SVM模型，确定所述待识别工件属于每种工件类别的预测分类概率；从确定出的各个预测分类概率中筛选出满足预设条件的目标预测分类概率；将所述目标预测分类概率对应的工件类别确定为所述待识别工件的类别。采用上述方法，可以提升工件分类准确性。

A Workpiece Classification Method, Device, Equipment and Media

【技术实现步骤摘要】
一种工件分类方法、装置、设备及介质
本申请涉及图像处理
，具体而言，涉及一种工件分类方法、装置、设备及介质。
技术介绍
随着智能制造产业的兴起，工业生产制造过程也越来越智能化。例如，在智能工厂搭建过程中，机械臂要分拣抓取各类工件，这就需要对工件进行准确地识别分类。目前，在对工件进行识别分类时，往往是通过提取工件图像的边缘特征等图像特征，将提取的图像特征和预设图像特征进行匹配，以确定工件类别。但是对于一些构造较为简单的工件，例如法兰等，由于从法兰图像中提取出的特征较为简单，在预测这类工件的类别时，由于提取的图像特征一般都是各个像素点独立的特征，没有考虑到各个像素点之间的关联，这样就会出现工件分类准确性差的问题。
技术实现思路
有鉴于此，本申请实施例的目的在于提供一种工件分类方法、装置、设备及介质，能够提高工件分类的准确性。第一方面，本申请提供一种工件分类方法，包括：获取待识别工件的工件图像，并提取所述工件图像的方向梯度直方图HOG特征；基于提取的方向梯度直方图(HistogramofOrientedGradient，HOG)特征以及预先训练好的与各工件类别分别匹配的支持向量机(SupportVectorMachine，SVM)模型，确定所述待识别工件属于每种工件类别的预测分类概率；从确定出的各个预测分类概率中筛选出满足预设条件的目标预测分类概率；将所述目标预测分类概率对应的工件类别确定为所述待识别工件的类别。本申请的一些实施例中，提取所述工件图像的方向梯度直方图HOG特征，包括：将所述工件图像转换为灰度图像；将所述灰度图像划分为至少一个预设尺寸的图像区域，其中，每个图像区域包括至少一个单元格，每个单元格包括至少一个像素点；针对每个图像区域，提取该图像区域中每个单元格的梯度信息并根据该图像区域中各个单元格的梯度信息，确定该图像区域的HOG特征；将各个图像区域的HOG特征进行拼接，得到所述工件图像的HOG特征。本申请的一些实施例中，从确定出的各个预测分类概率中筛选出满足预设条件的目标预测分类概率，包括：将各个预测分类概率中数值最大的预测分类概率确定为目标预测分类概率。本申请的一些实施例中，针对每个工件类别，根据以下方式训练得到与该工件类别匹配的SVM模型：获取包括正样本和负样本的样本训练集，其中，正样本为属于该工件类别的工件图像，正样本与正样本标签一一对应，负样本为不属于该工件类别的工件图像，负样本与负样本标签一一对应；从所述样本训练集中获取预设数量的正样本和负样本；分别提取每个正样本的HOG特征和每个负样本的HOG特征；基于提取出的各正样本的HOG特征、各负样本的HOG特征以及待训练的SVM模型，分别确定各正样本属于该工件类别的预测分类概率和各负样本属于该工件类别的预测分类概率；基于各正样本属于该工件类别的预测分类概率和所述正样本标签，以及，各负样本属于该工件类别的预测分类概率和所述负样本标签，确定本次训练过程的损失值；若所述损失值不大于设定阈值，则得到与该工件类别匹配的SVM模型。本申请的一些实施例中，所述方法还包括：若所述损失值大于所述设定阈值，则调整所述待训练的SVM模型的模型参数后，进入从所述样本训练集中获取预设数量的正样本和负样本的步骤。第二方面，本申请提供一种工件分类装置，包括：获取模块，用于获取待识别工件的工件图像；提取模块，用于提取所述工件图像的方向梯度直方图HOG特征；概率确定模块，用于基于提取的HOG特征以及预先训练好的与各工件类别分别匹配的支持向量机SVM模型，确定所述待识别工件属于每种工件类别的预测分类概率；筛选模块，用于从确定出的各个预测分类概率中筛选出满足预设条件的目标预测分类概率；类别确定模块，用于将所述目标预测分类概率对应的工件类别确定为所述待识别工件的类别。本申请的一些实施例中，所述提取模块，在提取所述工件图像的方向梯度直方图HOG特征时，具体用于：将所述工件图像转换为灰度图像；将所述灰度图像划分为至少一个预设尺寸的图像区域，其中，每个图像区域包括至少一个单元格，每个单元格包括至少一个像素点；针对每个图像区域，提取该图像区域中每个单元格的梯度信息并根据该图像区域中各个单元格的梯度信息，确定该图像区域的HOG特征；将各个图像区域的HOG特征进行拼接，得到所述工件图像的HOG特征。本申请的一些实施例中，所述筛选模块，在从确定出的各个预测分类概率中筛选出满足预设条件的目标预测分类概率时，具体用于：将各个预测分类概率中数值最大的预测分类概率确定为目标预测分类概率。本申请的一些实施例中，所述装置还包括：模型训练模块；所述模型训练模块，用于针对每个工件类别，根据以下方式训练得到与该工件类别匹配的SVM模型：获取包括正样本和负样本的样本训练集，其中，正样本为属于该工件类别的工件图像，正样本与正样本标签一一对应，负样本为不属于该工件类别的工件图像，负样本与负样本标签一一对应；从所述样本训练集中获取预设数量的正样本和负样本；分别提取每个正样本的HOG特征和每个负样本的HOG特征；基于提取出的各正样本的HOG特征、各负样本的HOG特征以及待训练的SVM模型，分别确定各正样本属于该工件类别的预测分类概率和各负样本属于该工件类别的预测分类概率；基于各正样本属于该工件类别的预测分类概率和所述正样本标签，以及，各负样本属于该工件类别的预测分类概率和所述负样本标签，确定本次训练过程的损失值；若所述损失值不大于设定阈值，则得到与该工件类别匹配的SVM模型。本申请的一些实施例中，所述模块训练模块，还用于：若所述损失值大于所述设定阈值，则调整所述待训练的SVM模型的模型参数后，进入从所述样本训练集中获取预设数量的正样本和负样本的步骤。第三方面，本申请提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时实现如上述第一方面，或第一方面任一实施例中所述的工件分类方法的步骤。第四方面，本申请提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面任一实施例中所述的工件分类方法的步骤。本申请实施例中，在对工件进行分类时，可以获取待识别工件的工件图像并提取工件图像的HOG特征，进而可以基于提取的HOG特征和预先训练好的与各工件类别分别匹配的SVM模型，确定待识别工件属于每种工件类别的预测分类概率，然后从确定出的各个预测分类概率中筛选出满足预设条件的目标预测分类概率，最后可以将目标预测分类概率对应的工件类别确定为待识别工件的类别。上述方式中，基于工件图像的HOG特征以及每种工件类别匹配的SVM模型，来预测工件所属的工件类别，通过这种方式可以提升工件分类的准确性。为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关本文档来自技高网...

【技术保护点】
1.一种工件分类方法，其特征在于，包括：获取待识别工件的工件图像，并提取所述工件图像的方向梯度直方图HOG特征；基于提取的HOG特征以及预先训练好的与各工件类别分别匹配的支持向量机SVM模型，确定所述待识别工件属于每种工件类别的预测分类概率；从确定出的各个预测分类概率中筛选出满足预设条件的目标预测分类概率；将所述目标预测分类概率对应的工件类别确定为所述待识别工件的类别。

【技术特征摘要】
1.一种工件分类方法，其特征在于，包括：获取待识别工件的工件图像，并提取所述工件图像的方向梯度直方图HOG特征；基于提取的HOG特征以及预先训练好的与各工件类别分别匹配的支持向量机SVM模型，确定所述待识别工件属于每种工件类别的预测分类概率；从确定出的各个预测分类概率中筛选出满足预设条件的目标预测分类概率；将所述目标预测分类概率对应的工件类别确定为所述待识别工件的类别。2.如权利要求1所述的工件分类方法，其特征在于，提取所述工件图像的方向梯度直方图HOG特征，包括：将所述工件图像转换为灰度图像；将所述灰度图像划分为至少一个预设尺寸的图像区域，其中，每个图像区域包括至少一个单元格，每个单元格包括至少一个像素点；针对每个图像区域，提取该图像区域中每个单元格的梯度信息并根据该图像区域中各个单元格的梯度信息，确定该图像区域的HOG特征；将各个图像区域的HOG特征进行拼接，得到所述工件图像的HOG特征。3.如权利要求1所述的工件分类方法，其特征在于，从确定出的各个预测分类概率中筛选出满足预设条件的目标预测分类概率，包括：将各个预测分类概率中数值最大的预测分类概率确定为目标预测分类概率。4.如权利要求1所述的工件分类方法，其特征在于，针对每个工件类别，根据以下方式训练得到与该工件类别匹配的SVM模型：获取包括正样本和负样本的样本训练集，其中，正样本为属于该工件类别的工件图像，正样本与正样本标签一一对应，负样本为不属于该工件类别的工件图像，负样本与负样本标签一一对应；从所述样本训练集中获取预设数量的正样本和负样本；分别提取每个正样本的HOG特征和每个负样本的HOG特征；基于提取出的各正样本的HOG特征、各负样本的HOG特征以及待训练的SVM模型，分别确定各正样本属于该工件类别的预测分类概率和各负样本属于该工件类别的预测分类概率；基于各正样本属于该工件类别的预测分类概率和所述正样本标签，以及，各负样本属于该工件类别的预测分类概率和所述负样本标签，确定本次训练过程的损失值；若所述损失值不大于设定阈值，则得到与该工件类别匹配的SVM模型。5.根据权利要求4所述的工件分类方法，其特征在于，还包括：若所述损失值大于所述设定阈值，则调整所述待训练的SVM模型的模型参数后，进入从所述样本训练集中获...

【专利技术属性】
技术研发人员：刘永康，杜家鸣，李长升，段立新，王亚松，
申请(专利权)人：国信优易数据有限公司，
类型：发明
国别省市：北京,11