【技术实现步骤摘要】
一种基于深度学习的零件分拣识别系统和方法
[0001]本专利技术涉及计算机视觉和零件分拣领域,尤其涉及一种基于深度学习的零件分拣识别系统和方法。
技术介绍
[0002]近年来,随着对生产能力需求的大幅提升,工业智能化的进程逐步加快,工业分拣设备的使用也逐渐进入以物流行业为首的各大领域。最传统的分拣采用流水线加人工分拣的方式,该方法是对人力资源极大的消耗,而且难以保证分拣质量的持续性。目前,大部分的分拣设备采用的是基于传感器的分拣方式,通过红外传感器判断物件大小,通过加速度传感器判断物体重量等。该方法往往在识别的对象上有一定局限性,只能识别比较一般的物体。
[0003]随着人工智能的发展,深度学习的方法也开始被运用到零件分拣的领域中。基于深度学习的零件分拣方法能够处理更加复杂的场景,对零件本身的形状样式没有特殊的需求。
[0004]在中国专利技术专利申请“基于FD
‑
Densenet网络的工业零件识别分拣方法、介质及系统”(公开号为CN112347863)中,安康等人使用基于FD
‑
Densenet的目标检测网络对待分拣零件进行识别。本专利技术实现了零件识别与生产线分拣一体化,提高了分拣效率,同时是一种轻量化模型,更便于工业设备的配置使用,但是在网络训练过程中需要对体积大小不同的零件进行一个预先的裁剪:放大或者缩小有效区域,图像采集的过程相对复杂。
[0005]在中国专利技术专利申请“基于深度学习的小型零件分拣方法及其分拣系统”(公开号为CN112170233 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的零件分拣识别系统,其特征在于,包括:训练模块和应用模块,在所述训练模块中建立模型,并将所述模型应用到所述应用模块中获得识别结果并将所述识别结果输出;其中,所述训练模块包括:合成图像制作模块,所述合成图像制作模块绘制识别目标的三维合成图像,所述三维合成图像包含若干角度;实际图像采集模块,所述实际图像采集模块获取所述识别目标的二维真实场景图像,并将所述二维真实场景图像作为训练集的一部分以及测试集;数据集生成模块,所述数据集生成模块分别与所述合成图像制作模块和所述实际图像采集模块连接,通过机器学习方法对所述三维合成图像进行真值框和类别的标注,再将已标注的所述三维合成图像作为源域,将未标注的真实图像作为目标域,并按设定的比例生成训练集和验证集;深度学习模块,所述深度学习模块与所述数据集生成模块连接,接收所述训练集和所述验证集,并构建深度学习模型,包括目标识别网络和域自适应网络,所述目标识别网络用于特征的提取、对象的分类以及候选框的生成;所述域自适应网络用于对齐所述源域和所述目标域中图像的特征。2.如权利要求1所述的基于深度学习的零件分拣识别系统,其特征在于,所述应用模块也包括:所述实际图像采集模块和所述深度学习模块,所述实际图像采集模块将重新采集所述识别目标的二维真实场景图像并作为所述深度学习模块中所建立模型的输入,在所述深度学习模块中生成所述识别结果;所述应用模块还包括结果输出模块,所述结果输出模块连接所述深度学习模块,获取所述识别结果以及所述候选框的坐标,并将所述候选框的坐标转换为零件分拣工作台的世界坐标,并输出所述识别目标的类别和位置。3.如权利要求2所述的基于深度学习的零件分拣识别系统,其特征在于,在构建深度学习模型的过程中,包括构建网络的正向传播和反向传播过程:将输入的所述训练集和所述验证集先通过特征提取层进行特征提取,而后进入分支,一部分继续目标识别网络的训练,另一部分进入域分类器;通过损失函数的反向传播和优化器对权重的更新寻找最优的特征提取器使得在所述域分类器的效果最差的同时所述深度学习模型的自身目标识别的预测结果最优。4.如权利要求1所述的基于深度学习的零件分拣识别系统,其特征在于,所述按设定的比例生成训练集和验证集的比例为8:2。5.一种基于深度学习的零件分拣识别方法,其特征在于,所述方法包括以下步骤:步骤1、生成训练数据集;步骤2、训练深度学习模型;步骤3、测试所述步骤2中建立的所述深度学习模型;步骤4、将实际场景获取的识别对象的实时图像输入所述深度学习模型获得识别结果,将所述识别对象基于像素的位置信息转换为基于分拣工作台的世界坐标,并输出最终的分类结果及位置信息。
6.如权利要求5所述的基于深度学习的零件分拣识别方法,其特征在于,所述步骤1包括以下子步骤:步骤1.1、获取图像,包括获取所述...
【专利技术属性】
技术研发人员:李元旖,许剑新,褚健,杨根科,王宏武,
申请(专利权)人:上海交通大学宁波人工智能研究院,
类型:发明
国别省市:
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。