【技术实现步骤摘要】
一种基于YOLOv3神经网络的工业零件检测方法
本专利技术属于智能装配中零件检测
，涉及工业零件的检测方法，尤其是一种基于YOLOv3神经网络的工业零件检测方法。
技术介绍
目前，随着我国制造业的不断发展，智能装配系统也逐渐被应用。工业零件的检测和识别是智能装配系统中的重要内容，涉及了计算机视觉、深度学习、图像识别等研究领域。目前，传统装配系统中依靠人力进行重复性劳动，容易由于人的操作具有疲劳性和人眼分辨率有限等特点造成失误，智能系统还没有普遍的应用，对于研究工业零件的特定目标检测的应用级方法较少。因此，为了避免浪费人工和时间，适应工厂环境中光线等不稳定因素，对确保精度和速度的智能工业零件检测势在必行，而现有的工业零件检测方法存在着准确率不高、效率低等问题，不能很好兼顾检测准确率和模型复杂度，对动态实时环境下的目标检测效果不理想。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出一种基于YOLOv3神经网络的工业零件检测方法，能够解决工业零件检测方法上存在的在动态实时环境下检测效率低、错检
【技术保护点】
1.一种基于YOLO v3神经网络的工业零件检测方法，其特征在于：包括以下步骤：/n步骤1、采集工业零件视频样本；/n步骤2、获取步骤1采集的工业零件的视频样本的单帧图像，形成基础数据集，对基础数据集的图像进行数据增强后形成工业零件数据集，并对工业零件数据集中的工业零件的位置和类别信息进行标注，将标注好的工业零件数据集分为样本训练集、验证集和测试集；/n步骤3、对样本训练集进行卷积神经网络的训练，生成训练好的工业零件的卷积神经网络检测模型；/n步骤4、使用样本测试集对步骤3的训练好的工业零件的卷积神经网络检测模型进行验证，优化网络，获得改进的工业零件卷积神经网络检测模型，将...
【技术特征摘要】
1.一种基于YOLOv3神经网络的工业零件检测方法，其特征在于：包括以下步骤：
步骤1、采集工业零件视频样本；
步骤2、获取步骤1采集的工业零件的视频样本的单帧图像，形成基础数据集，对基础数据集的图像进行数据增强后形成工业零件数据集，并对工业零件数据集中的工业零件的位置和类别信息进行标注，将标注好的工业零件数据集分为样本训练集、验证集和测试集；
步骤3、对样本训练集进行卷积神经网络的训练，生成训练好的工业零件的卷积神经网络检测模型；
步骤4、使用样本测试集对步骤3的训练好的工业零件的卷积神经网络检测模型进行验证，优化网络，获得改进的工业零件卷积神经网络检测模型，将测试集输入改进的工业零件卷积神经网络检测模型，得到检测结果。
2.根据权利要求1所述的一种基于YOLOv3神经网络的工业零件检测方法，其特征在于：所述步骤2的具体步骤包括：
(1)对步骤1采集的工业零件的视频样本采用基于开源计算机视觉库的图像处理算法获取单帧图像，并挑选具有不同光照变化、不同角度、不同位置的工业零件单帧图像形成基础数据集；
(2)对基础数据集中的工业零件单帧样本图像进行数据增强处理后按序号重新命名形成工业零件数据集；
(3)对所述工业零件数据集中的每一个工业零件单帧图像进行信息标注，所标注的信息包括目标边框的x、y、w、h四个位置信息和类别信息，并将工业零件数据集中的所有工业零件单帧图像作为样本图像，按比例分成样本训练集、验证集和测试集。
3.根据权利要求2所述的一种基于YOLOv3神经网络的工业零件检测方法，其特征在于：所述步骤2第(2)步的数据增强处理的具体步骤包括：
①对基础数据集中的工业零件单帧样本图像进行加噪：对图片添加高斯噪声和椒盐噪声；
②对基础数据集中的工业零件单帧样本图像进行翻转：对图片进行上下、左右对称翻转；
③对基础数据集中的工业零件单帧样本图像进行变换：对图片进行放射变化；
④对基础数据集中工业零件单帧样本图像进行亮度、对比度调节。
4.根据权利要求1或2所述的一种基于YOLOv3神经网络的工业零件检测方法，其特征在于：所述步...
【专利技术属性】
技术研发人员：张静，刘凤连，郭纪志，汪日伟，李文龙，李雷辉，孟赵明，肖峻熙，俎晨洋，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：天津;12
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。