基于深度学习的螺母识别定位方法技术

本发明专利技术涉及机械制造技术领域，具体涉及一种基于深度学习的螺母识别定位方法；本发明专利技术利用卷积神经网络、区域生成网络与全卷积网络相结合的螺母定位方法。通过对传入图像进行卷积操作得到特征图，通过区域生成网络产生的锚框与原来的特征图结合得到区域的特征图，接着将特征图传入全连接层，得到预测的螺母位置。将区域卷积网络应用于螺母的识别定位，增加特征提取的自适应性以及抗干扰能力，减少识别时间，具有很强的创造性。

Nut recognition and location method based on deep learning

【技术实现步骤摘要】
基于深度学习的螺母识别定位方法
本专利技术涉及机械制造
，具体涉及一种基于深度学习的螺母识别定位方法。
技术介绍
在现代机械制造业中，零件的识别和测量已成为保证产品质量的一项关键性技术工作。随着自动化程度的提高，传统的人工检测手段已无法满足要求，不仅要耗费大量的人工，效率低下，同时还会增加人为的不可靠因素。有学者提出了一些机器视觉技术尝试解决这些问题，比如综合应用哈夫变换实现螺母识别的算法，该方法以六角螺母的内孔和外部六边形为特征，首先通过目标边缘像素点提取内边界“圆”特征，然后再以内孔定位螺母外部六边形轮廓从而达到识别螺母的目的。然而，此类方法仍有其不足之处。例如，单一的几何特征提取可能导致复杂环境下识别率下降；检测直线或圆的时候对图像的每个像素进行计算，从而增加了计算时间。本专利技术通过改进区域卷积神经网络，既能增加特征提取的自适应性以及抗干扰能力，又能减少识别时间。
技术实现思路
针对现有技术的不足，本专利技术公开了一种基于深度学习的螺母识别定位方法，本专利技术通过卷积神经网络提取具有广泛学习能力的多层次特征从而能增加特征提取的自适应性以及抗干扰能力。并且通过区域提案网络对螺本文档来自技高网...

【技术保护点】
1.基于深度学习的螺母识别定位方法，其特征在于，所述定位方法包括以下步骤：S1用摄像头采集螺母图片作为训练样本，并对螺母的位置进行标注；S2将采集的螺母图输入图片传入VGG网络中；S3将训练样本通过卷积核和最大池化操作，得到特征图Ⅴ；S4将特征图Ⅴ输入到区域提案网络，取分数大于60分的目标结果作为网络输出；S5将区域提案网络生成的锚框输入到兴趣区域池化层，得到特征图Ⅶ；S6将特征图Ⅶ经过经过全链接层，生成大小为4的回归框位置的回归特征，由回归特征得到的方框即螺母位置。

【技术特征摘要】
1.基于深度学习的螺母识别定位方法，其特征在于，所述定位方法包括以下步骤：S1用摄像头采集螺母图片作为训练样本，并对螺母的位置进行标注；S2将采集的螺母图输入图片传入VGG网络中；S3将训练样本通过卷积核和最大池化操作，得到特征图Ⅴ；S4将特征图Ⅴ输入到区域提案网络，取分数大于60分的目标结果作为网络输出；S5将区域提案网络生成的锚框输入到兴趣区域池化层，得到特征图Ⅶ；S6将特征图Ⅶ经过经过全链接层，生成大小为4的回归框位置的回归特征，由回归特征得到的方框即螺母位置。2.根据权利要求1所述的基于深度学习的螺母识别定位方法，其特征在于，所述S3中包括以下子步骤：T1使训练样本通过64个3×3×3的卷积核，2×2的最大池化操作，得到64个448×448的特征图Ⅰ；T2通过128个3×3×64的卷积核，2×2的最大池化操作，生成128个224×224的特征图Ⅱ；T3特征图Ⅱ先通过256个3×3×128的卷积核，2×2的最大池化操作得到256个112×112的特征图Ⅲ；T4特征图Ⅲ通过512个3×3×256的卷积核，2×2的最大池化操作得到512个56×56的特征图Ⅳ；T5特征图Ⅳ通过512个3×3×512的卷积核，2×2的最大池化操作，生成512个28×28的特征图Ⅴ。3.根据权利要求1所述的基于深度学习的螺母识别定位方法，其特征在于，所述S4中，将特征图Ⅴ通过一个3×3×256×256的四维卷积核，得到28×28×256的特征图Ⅵ，设置不同的面积以及长宽比，对特征图Ⅵ的每个像素产生9个不同的锚框。4.根据权利要求3所述...

【专利技术属性】
技术研发人员：倪浩敏，张学习，张博炜，兰剑，黎贤钊，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44