一种多物体识别及分拣系统和方法技术方案

本发明专利技术涉及一种多物体识别及分拣系统和方法。本发明专利技术将小样本识别的算法作为无参模型实现对未知物体识别，不仅通过特征融合的方式提高了提取物体特征的准确性，而且对于新物体的引入无需重新训练整个网络，只需要进行特征融合，因此对于新物体的识别具有更好的泛化能力，提高了整个系统的效率，进而解决物体识别的不准确性、人工分拣工作量大、误差率高的问题。题。题。

【技术实现步骤摘要】
一种多物体识别及分拣系统和方法


[0001]本专利技术涉及物体识别和分拣
，特别是涉及一种多物体识别及分拣系统和方法。

技术介绍

[0002]工业智能化对于工业生产线、流水线等生产效率的提高有非常重要的意义。随着电子商务的高速发展和人力成本的提高，工业智能化设备和机器人的使用越来越广泛。
[0003]目前大多数机器人识别系统都是通过示教器或者离线编程的方式工作的，当目标物体的类别、位置等发生改变时，需要重新进行示教或编程，缺乏对环境的感知和应变能力。相比传统的识别系统，经过卷积神经网络得到的识别结果具有更好的鲁棒性，不仅提高了对于环境的智能感知能力，而且提高了对于多物体识别的准确率。
[0004]但是传统的卷积神经网络对于新加入的物体需要重新训练网络，降低了系统的效率。

技术实现思路

[0005]本专利技术的目的是提供一种多物体识别及分拣系统和方法，能够提高提取物体特征的准确性，而且对于新物体的引入无需重新训练整个网络，只需要进行特征融合，因此对于新物体的识别具有更好的泛化能力，能够提高多种物体的识别和分拣效率。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种多物体识别及分拣系统，包括：
[0008]数据集自动收集模块，用于采集物体图像集，并对所述物体图像集进行预处理；所述物体图像集中包含有多种待识别物体；
[0009]图像处理
‑
识别模块，与所述数据集自动收集模块连接，用于基于小样本识别算法，采用卷积神经网络模型提取预处理后的所述物体图像集中各物体的特征信息，并用于基于所述特征信息确定融合特征，还用于根据所述融合特征确定预处理后的所述物体图像集中各物体的分类信息；
[0010]机械臂分拣模块，与所述图像处理
‑
识别模块连接，用于根据所述分类信息完成物体的分拣工作。
[0011]优选地，所述数据集自动收集模块包括：
[0012]摄像机，用于采集所述物体图像集；
[0013]图像处理单元，分别与所述摄像机和所述图像处理
‑
识别模块连接，用于根据物体掩码图像对所述物体图像集进行预处理得到仅包含物体的图像。
[0014]优选地，所述图像处理
‑
识别模块包括：
[0015]特征提取单元，与所述图像处理单元连接，用于基于小样本识别算法，采用卷积神经网络模型提取预处理后的所述物体图像集中各物体的特征信息；
[0016]映射权重确定单元，与所述特征提取单元连接，用于基于与提取的各物体的特征
信息对应的图像掩码确定各物体特征信息的映射权重；
[0017]映射特征确定单元，与所述映射权重确定单元连接，用于根据各物体特征信息的映射权重、与提取的各物体的特征信息对应的图像掩码以及各物体的特征信息确定映射特征；
[0018]投影权重确定单元，与所述特征提取单元连接，用于确定各物体的特征信息中各维度的投影权重；
[0019]融合特征单元，分别与所述映射特征确定单元和所述投影权重确定单元连接，用于根据所述映射特征和所述投影权重确定融合特征；
[0020]物体类别模板存储单元，用于存储预设的物体类别模板；所述物体类别模板包括物体类别和物体模板融合特征；
[0021]相似值确定单元，与所述物体类别模板存储单元和所述融合特征单元连接，用于确定所述融合特征和所述物体模板融合特征间的相似值；
[0022]物体识别单元，分别与所述物体类别模板存储单元和所述相似值确定单元连接，用于根据所述相似值确定物体图像集中各物体的类别；其中，当所述相似值大于预设值时，确定相似值最大时对应的物体类别模板中的物体类别为待识别物体的类别；当所述相似值小于预设值时，确定待识别物体的类别为新物体类别，并将所述新物体类别存储至所述物体类别模板存储单元中，以作为新的物体类别模板。
[0023]优选地，所述机械臂分拣模块包括：
[0024]分拣处理单元，与所述图像处理
‑
识别模块连接，用于根据各物体的分类信息生成分拣指令；所述分拣指令包括：物体捡取指令和物体放置指令；
[0025]执行单元，与所述分拣处理单元连接，用于根据所述分拣指令完成物体分拣。
[0026]优选地，所述执行单元包括：
[0027]机械臂，与所述分拣处理单元连接，用于根据所述分拣指令进行移动动作；
[0028]机械爪，固定设置在所述机械臂上，且与所述分拣处理单元连接，用于根据所述分拣指令进行爪放动作。
[0029]此外，本专利技术还提供了一种多物体识别及分拣方法，以应用于上述提供的多物体识别及分拣系统中，该方法包括：
[0030]采集物体图像集，并对所述物体图像集进行预处理；所述物体图像集中包含有多种待识别物体；
[0031]基于小样本识别算法，采用卷积神经网络模型提取预处理后的所述物体图像集中各物体的特征信息；
[0032]基于所述特征信息确定融合特征；
[0033]根据所述融合特征确定预处理后的所述物体图像集中各物体的分类信息；
[0034]根据所述分类信息完成物体的分拣工作。
[0035]优选地，所述基于所述特征信息确定融合特征，具体包括：
[0036]基于与提取的各物体的特征信息对应的图像掩码确定各物体特征信息的映射权重；
[0037]根据各物体特征信息的映射权重、与提取的各物体的特征信息对应的图像掩码以及各物体的特征信息确定映射特征；
[0038]确定各物体的特征信息中各维度的投影权重；
[0039]根据所述映射特征和所述投影权重确定融合特征。
[0040]优选地，所述根据所述融合特征确定预处理后的所述物体图像集中各物体的分类信息，具体包括：
[0041]获取预设的物体类别模板；所述物体类别模板包括物体类别和物体模板融合特征；
[0042]确定所述融合特征和所述物体模板融合特征间的相似值；
[0043]根据所述相似值确定物体图像集中各物体的类别。
[0044]优选地，所述根据所述相似值确定物体图像集中各物体的类别，具体包括：
[0045]获取相似性的预设值；
[0046]当所述相似值大于所述预设值时，确定相似值最大时对应的物体类别模板中的物体类别为待识别物体的类别；
[0047]当所述相似值小于所述预设值时，确定待识别物体的类别为新物体类别，并将所述新物体类别进行存储，以作为新的物体类别模板。
[0048]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0049]本专利技术提供的多物体识别及分拣系统和方法，将小样本识别的算法作为无参模型实现对未知物体识别，不仅通过特征融合的方式提高了提取物体特征的准确性，而且对于新物体的引入无需重新训练整个网络，只需要进行特征融合，因此对于新物体的识别具有更好的泛化能力，提高了整个系统的效率，进而解决物体识别的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多物体识别及分拣系统，其特征在于，包括：数据集自动收集模块，用于采集物体图像集，并对所述物体图像集进行预处理；所述物体图像集中包含有多种待识别物体；图像处理
‑
识别模块，与所述数据集自动收集模块连接，用于基于小样本识别算法，采用卷积神经网络模型提取预处理后的所述物体图像集中各物体的特征信息，并用于基于所述特征信息确定融合特征，还用于根据所述融合特征确定预处理后的所述物体图像集中各物体的分类信息；机械臂分拣模块，与所述图像处理
‑
识别模块连接，用于根据所述分类信息完成物体的分拣工作。2.根据权利要求1所述的多物体识别及分拣系统，其特征在于，所述数据集自动收集模块包括：摄像机，用于采集所述物体图像集；图像处理单元，分别与所述摄像机和所述图像处理
‑
识别模块连接，用于根据物体掩码图像对所述物体图像集进行预处理得到仅包含物体的图像。3.根据权利要求2所述的多物体识别及分拣系统，其特征在于，所述图像处理
‑
识别模块包括：特征提取单元，与所述图像处理单元连接，用于基于小样本识别算法，采用卷积神经网络模型提取预处理后的所述物体图像集中各物体的特征信息；映射权重确定单元，与所述特征提取单元连接，用于基于与提取的各物体的特征信息对应的图像掩码确定各物体特征信息的映射权重；映射特征确定单元，与所述映射权重确定单元连接，用于根据各物体特征信息的映射权重、与提取的各物体的特征信息对应的图像掩码以及各物体的特征信息确定映射特征；投影权重确定单元，与所述特征提取单元连接，用于确定各物体的特征信息中各维度的投影权重；融合特征单元，分别与所述映射特征确定单元和所述投影权重确定单元连接，用于根据所述映射特征和所述投影权重确定融合特征；物体类别模板存储单元，用于存储预设的物体类别模板；所述物体类别模板包括物体类别和物体模板融合特征；相似值确定单元，与所述物体类别模板存储单元和所述融合特征单元连接，用于确定所述融合特征和所述物体模板融合特征间的相似值；物体识别单元，分别与所述物体类别模板存储单元和所述相似值确定单元连接，用于根据所述相似值确定物体图像集中各物体的类别；其中，当所述相似值大于预设值时，确定相似值最大时对应的物体类别模板中的物体类别为待识别物体的类别；当所述相似值小于预设值时，确定待识别物体的类别...

【专利技术属性】
技术研发人员：李育文，宋淑雅，张智辉，
申请(专利权)人：上海大学，
类型：发明
国别省市：