零部件的图像识别方法、装置及系统制造方法及图纸

本发明专利技术公开了一种零部件的图像识别方法、装置及系统，所述图像识别方法将获取到的实时零部件图文档解析成可运算数据；将所述可运算数据分别输入至预先训练好的多主干卷积神经网络模型、集成树Lightgbm模型和SVM支持向量机模型；接收所述多主干卷积神经网络模型、集成树Lightgbm模型和SVM支持向量机模型输出的预测结果，对预测结果进行预处理后获得预测得分，分别输入至权重融合器；利用权重融合器以投票法对各预测得分进行加权融合计算，获得图像识别结果。本发明专利技术能够有效提升零部件的图像识别正确率。识别正确率。识别正确率。

【技术实现步骤摘要】
零部件的图像识别方法、装置及系统


[0001]本专利技术属于机器学习与机械工程复合
，具体涉及一种零部件的图像识别方法、装置及系统。

技术介绍

[0002]机械工程领域中各类零部件图文档作为产品设计与生产制造的核心参照标准，需要准确反应零部件图文档中相关对象的准确信息，比如尺寸、材质、适用参数、物料、单位价格等。因此，对零部件图文档中的零部件进行分类识别对机械制造过程中的零件装配、分拣、检测等环节实现自动化有着非常积极的意义。
[0003]现有技术中对零部件图文档中的零部件进行分类识别的方法主要包括以下两种：(1)通过分解域变换，并进行边缘检测，使零部件图文档中的图像信息进入不同空间领域，使用梯度算子进行相关处理。该方法对空间域转换函数需要较大的运算资源，并伴有阈值随机性，而且整体鲁棒性缺乏对噪声抵抗性能差。(2)基于形状基元，通过计算圆度弧度截面面积等几何特征量，分拆不同方向定位计算位置偏移量。该方法由于要计算几何形状基元对不变矩等特征进行存储，对于转换空间过程中存在关联性误差的问题，使得后续峰值检测发生困难。

技术实现思路

[0004]针对上述问题，本专利技术提出一种零部件的图像识别方法、装置及系统，能够有效提升零部件的图像识别正确率。
[0005]为了实现上述技术目的，达到上述技术效果，本专利技术通过以下技术方案实现：
[0006]第一方面，本专利技术提供了一种零部件的图像识别方法，包括：
[0007]将获取到的实时零部件图文档解析成可运算数据；
[0008]将所述可运算数据分别输入至预先训练好的多主干卷积神经网络模型、集成树Lightgbm模型和SVM支持向量机模型；
[0009]接收所述多主干卷积神经网络模型、集成树Lightgbm模型和SVM支持向量机模型输出的预测结果，对预测结果进行预处理后获得预测得分，分别输入至权重融合器；
[0010]利用权重融合器以投票法对各预测得分进行加权融合计算，获得图像识别结果。
[0011]可选地，所述将获取到的实时零部件图文档进行解析成可运算数据，包括以下步骤：
[0012]将获取到的实时零部件图文档分区处理后，存入磁盘缓存解释器；
[0013]将磁盘缓存解释器中的实时零部件图文档读取至内存，并转换成通用的图片格式后，再处理成可供计算的张量或数组。
[0014]可选地，所述将获取到的实时零部件图文档进行解析成可运算数据，还包括以下步骤：
[0015]利用内存缓存解释器找出内存中超过一定时间为使用的内存块，并将其移出内
存。
[0016]可选地，所述多主干卷积神经网络模型包括顺次设置的多主干卷积层、池化层、全连接层、输出层；
[0017]所述多主干卷积层包括若干个顺次设置的主干卷积层，各主干卷积层结构相同，均包括顺次设置的卷积层、归一化处理层和激活函数；各主干卷积层之间添加跳跃连接处理；
[0018]当数据被输入至多主干卷积层后，各主干卷积层对数据的处理过程为：
[0019]依次对数据进行卷积处理、归一化处理，然后经过激活函数获得计算结果，并将计算结果传入到下一主干卷积层和与其之间添加有跳跃连接处理的主干卷积层；
[0020]可选地，所述预先训练好的多主干卷积神经网络模型的训练方法包括：
[0021]将获取到的历史零部件图文档解析成可运算数据；
[0022]将可运算数据与对应的标签结合，封装成训练数据和测试数据；
[0023]利用所述训练数据和和测试数据，训练所述多主干卷积神经网络模型，获得预先训练好的多主干卷积神经网络模型。
[0024]可选地，所述预先训练好的集成树Lightgbm模型和SVM支持向量机模型的训练方法包括：
[0025]将获取到的历史零部件图文档解析成可运算数据；
[0026]将可运算数据与对应的标签结合，封装成训练数据和测试数据；
[0027]利用所述训练数据和和测试数据，分别训练所述集成树Lightgbm模型和SVM支持向量机模型，获得预先训练好的集成树Lightgbm模型和SVM支持向量机模型。
[0028]可选地，所述对预测结果进行预处理后获得预测得分，分别输入至权重融合器，包括以下步骤：
[0029]将多主干卷积神经网络模型、集成树Lightgbm模型和SVM支持向量机模型输出的预测结果，分别输入至对应的概率输出函数，获得属于每一类的概率分数；
[0030]将属于每一类的概率分数分别输入至权重融合器。
[0031]的权重，torch,max(,dim＝1)为概率最大者对应的位置，dim＝1表示按行求最大。
[0032]第二方面，本专利技术提供了一种零部件的图像识别装置，包括：
[0033]数据解析模块，用于将获取到的实时零部件图文档进行解析成可运算数据；
[0034]数据发送模块，用于将所述可运算数据分别输入至多主干卷积神经网络模型、集成树Lightgbm模型和SVM支持向量机模型；
[0035]数据处理模块，用于接收所述多主干卷积神经网络模型、集成树Lightgbm模型和SVM支持向量机模型输出的预测数据，并分别输入至权重融合器；
[0036]识别模块，用于利用权重融合器以投票法对各预测数据赋予权重系数，并进行叠加，获得图像识别结果。
[0037]第三方面，本专利技术提供了一种零部件的图像识别系统，包括存储介质和处理器；
[0038]所述存储介质用于存储指令；
[0039]所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述的方法。
[0040]与现有技术相比，本专利技术的有益效果：
[0041]本专利技术将零部件图文档解析成可运算数据(即可供后续模型直接使用的相应图像格式)，然后将所述可运算数据分别输入至预先训练好的多主干卷积神经网络模型、集成树Lightgbm模型和SVM支持向量机模型，各模型分别输出对应的预测结果，将预测结果转换为属于每一类的概率分数，最后引入权重融合器，对模型的预测结果进行权重融合，大大提高最终的预测效果。
[0042]本专利技术中提出了一种多主干卷积神经网络模型，包括顺次设置的多主干卷积层、池化层、全连接层、输出层；所述多主干卷积层包括若干个顺次设置的主干卷积层，即采用多主干环节处理，每个主干卷积层还会设置跳跃连接，确保各个主干卷积层在网络学习优化的过程中出现的梯度消失等问题，提升参数优化效率；而在多主干卷积层后布置的池化层，能够对图像进行下采样处理，浓缩图像的相关特征，简化零部件图文档数据的计算，一定程度上控制复杂程度防止该网络模型出现过拟合情况。
附图说明
[0043]为了使本专利技术的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本专利技术作进一步详细的说明，其中：
[0044]图1为本专利技术一种实施例的零部件的图像识别方法的流程示意图；
[0045]图2为本专利技术一种实施例的数据加载器的运行流程图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种零部件的图像识别方法，其特征在于，包括：将获取到的实时零部件图文档解析成可运算数据；将所述可运算数据分别输入至预先训练好的多主干卷积神经网络模型、集成树Lightgbm模型和SVM支持向量机模型；接收所述多主干卷积神经网络模型、集成树Lightgbm模型和SVM支持向量机模型输出的预测结果，对预测结果进行预处理后获得预测得分，分别输入至权重融合器；利用权重融合器以投票法对各预测得分进行加权融合计算，获得图像识别结果。2.根据权利要求1所述的一种零部件的图像识别方法，其特征在于：所述将获取到的实时零部件图文档进行解析成可运算数据，包括以下步骤：将获取到的实时零部件图文档分区处理后，存入磁盘缓存解释器；将磁盘缓存解释器中的实时零部件图文档读取至内存，并转换成通用的图片格式后，再处理成可供计算的张量或数组。3.根据权利要求1所述的一种零部件的图像识别方法，其特征在于：所述将获取到的实时零部件图文档进行解析成可运算数据，还包括以下步骤：利用内存缓存解释器找出内存中超过一定时间为使用的内存块，并将其移出内存。4.根据权利要求1所述的一种零部件的图像识别方法，其特征在于：所述多主干卷积神经网络模型包括顺次设置的多主干卷积层、池化层、全连接层、输出层；所述多主干卷积层包括若干个顺次设置的主干卷积层，各主干卷积层结构相同，均包括顺次设置的卷积层、归一化处理层和激活函数；各主干卷积层之间添加跳跃连接处理；当数据被输入至多主干卷积层后，各主干卷积层对数据的处理过程为：依次对数据进行卷积处理、归一化处理，然后经过激活函数获得计算结果，并将计算结果传入到下一主干卷积层和与其之间添加有跳跃连接处理的主干卷积层。5.根据权利要求4所述的一种零部件的图像识别方法，其特征在于：所述预先训练好的多主干卷积神经网络模型的训练方法包括：将获取到的历史零部件图文档解析成可运算数据...

【专利技术属性】
技术研发人员：伍佳伟，郭贺铠，李想，
申请(专利权)人：江苏徐工国重实验室科技有限公司，
类型：发明
国别省市：