一种基于图像识别的零件分类方法技术

本发明专利技术公开了一种基于图像识别的零件分类方法，其属于图像处理领域，包括以下步骤：采集零件图像，将采集的零件图像进行预处理，并将预处理过后的零件图像作为训练集；构建零件识别神经网络，并对其网络参数进行初始化，得到初级零件识别神经网络；构建损失函数，以损失函数最小为目标，并通过训练集对初级零件识别神经网络进行训练，直至损失函数小于a，得到训练完成的零件识别神经网络；采集待识别图像，对待识别图像进行预处理，并将预处理后的待识别图像输入训练完成的零件识别神经网络中，得到零件分类结果。本发明专利技术通过实现零件分类，辅助维修人员或现场工作人员进行设备维修，避免了维修过程中零件识别费时费力的问题。

【技术实现步骤摘要】
一种基于图像识别的零件分类方法
本专利技术属于图像处理领域，具体涉及一种基于图像识别的零件分类方法。
技术介绍
如今，随着多媒体技术的发展，包括图像、音频、视频等信息的多媒体数据大量涌现，如何将大量的信息进行分类，已经成为多媒体技术研究中的热点问题.图像分类研究任务主要由预处理,特征提取和分类三个主要环节构成，每个环节对图像的分类效果都有重要的影响。随着计算机软硬件和国际互联网技术的飞速发展，多媒体数据的数量也以惊人的速度增长，各行各业有越来越多的信息通过图像的形式进行表达，这无疑又给图像分类这一任务的各个环节带来了巨大的挑战。现在工业制造中，有着各种各样的零件，其中不乏有多类相似零件，维修时，分辨零件增加维修时长，且人工有时候会产生错误，从而造成损失，以及当维修人员不在现场时，其他人员无法自主对零件进行更换。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的一种基于图像识别的零件分类方法解决了现有技术人工零件识别费时费力的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于图像识别的零件分类本文档来自技高网...

【技术保护点】
1.一种基于图像识别的零件分类方法，其特征在于，包括以下步骤：/nS1、采集K类零件图像，且每类所述零件图像采集N张；/nS2、将采集的零件图像进行预处理，并将预处理过后的零件图像作为训练集；/nS3、构建零件识别神经网络，并对其网络参数进行初始化，得到初级零件识别神经网络；/nS4、构建损失函数，以损失函数最小为目标，并通过训练集对初级零件识别神经网络进行训练，直至损失函数小于设定的训练阈值a，得到训练完成的零件识别神经网络；/nS5、采集待识别图像，对待识别图像进行预处理，并将预处理后的待识别图像输入训练完成的零件识别神经网络中，得到零件分类结果。/n

【技术特征摘要】
1.一种基于图像识别的零件分类方法，其特征在于，包括以下步骤：
S1、采集K类零件图像，且每类所述零件图像采集N张；
S2、将采集的零件图像进行预处理，并将预处理过后的零件图像作为训练集；
S3、构建零件识别神经网络，并对其网络参数进行初始化，得到初级零件识别神经网络；
S4、构建损失函数，以损失函数最小为目标，并通过训练集对初级零件识别神经网络进行训练，直至损失函数小于设定的训练阈值a，得到训练完成的零件识别神经网络；
S5、采集待识别图像，对待识别图像进行预处理，并将预处理后的待识别图像输入训练完成的零件识别神经网络中，得到零件分类结果。


2.根据权利要求1所述的基于图像识别的零件分类方法，其特征在于，所述步骤S2中对零件图像进行预处理的具体方法为：
A1、对零件图像依次进行高斯滤波、均值滤波、最小均方差滤波和Gabor滤波，得到一级处理零件图像；
A2、将一级处理零件图像进行灰度化处理，得到二级处理零件图像；
A3、求取二级处理零件图像中像素点的梯度，并根据梯度将二级处理零件图像进行灰度表示，得到三级处理零件图像；
A4、将三级处理零件图像进行轮廓纵坐标重建，得到四级处理零件图像；
A5、提取四级处理零件图像中轮廓区域，获取预处理后的零件图像。


3.根据权利要求2所述的基于图像识别的零件分类方法，其特征在于，所述步骤A3的具体步骤为：
A31、依次求取二级处理零件图像函数f(x,y)中每个像素点的梯度为：



其中，x表示像素点的横坐标，y表示像素点的纵坐标，x=0,1,..,X，y=0,1,...,Y，X表示最大横坐标，Y表示最大纵坐标，；
A32、设定灰度阈值T，根据灰度阈值T和每个像素点的梯度，将二级处理零件图像进行灰度表示，得到三级处理零件图像；所述灰度为：



其中，M表示位于轮廓上的像素点，N表示非轮廓线上的像素点。


4.根据权利要求2所述的基于图像识别的零件分类方法，其特征在于，所述步骤A4的具体步骤为：
A41、随机在三级处理零件图像中寻找一个灰度的像素点，记该像素点为；
A42、以像素点为中心，提取像素点的所有相邻像素点中灰度为M的像素点；
A43、选取步骤A42中灰度为M的像素点中梯度最大的像素点，并以此梯度最大的像素点为中心，提取其所有相邻像素点中灰度为M的像素点；
A44、根据步骤A43的方法进行类推，获取三级处理零件图像中的轮廓像素点，得到四级处理零件图像。


5.根据权利要求4所述的基于图像识别的零件分类方法，其特征在于，所述步骤A5中提取四级处理零件图像中轮廓区域，获取预处理后的零件图像的具体步骤为：提取四级处理零件图像中包含所有轮廓像素点的正方形区域，并将该正方形区域的大小修改为224*224，得到预处理后的零件图像。


6.根据权利要求1所述的基于图像识别的零件分类方法，其特征在于，所述步骤S3中零件识别神经网络的具体结构包括依次连接的输入层、第一卷积层、第一最大池化层、第一归一化层、第二卷积层、第三卷积层、第二归一化层、第二最大池化层、第一图像处理模块、第二图像处理模块、第三最大池化层、第三图像处理模块、第四图像...

【专利技术属性】
技术研发人员：廖峪，林仁辉，苏茂才，唐泰可，
申请(专利权)人：成都中轨轨道设备有限公司，
类型：发明
国别省市：四川;51