工件分类识别方法及系统技术方案

本发明专利技术属于工件分类设备技术领域，具体公开了一种工件分类识别方法及系统，该方法对原始图像进行图像预处理，得到待测图像；采用图像分割算法，提取待测图像的二值图；将待测图像的二值图，输入图像处理库，提取形态学特征；基于形态学特征，构建分类模型，并对分类模型进行训练，得到优化后的分类模型；采集待测工件图像，并输入优化后的分类模型，得到待测工件图像中的工件分类。采用本技术方案，既能弥补深度学习的特征冗余问题，又能通过结合形态学特征有效区分困难样本，实现工件分类。实现工件分类。实现工件分类。

【技术实现步骤摘要】
工件分类识别方法及系统


[0001]本专利技术属于工件分类设备
，涉及一种工件分类识别方法及系统。

技术介绍

[0002]在工业生产中，经常需要对工业零件进行分类和识别，传统生产线上多以人工进行检测、识别，成本高，效率低，而且人眼很难区分尺寸相近的工件。基于提高检测速度和精度的要求，加上图像处理、深度学习的迅速发展，计算机辅助进行工件检测逐步兴起。
[0003]基于深度学习分类的工件分类识别方法，由于特征冗余、深度学习的不可解释性、样本量少等问题，很难找到一种普遍适用的工件分类方法，工件分类识别仍然是一个重要且富有挑战性的任务。
[0004]近年来，针对工件分类识别的方法很多，比如基于传统图像处理的用Canny算子进行边缘检测，提取工件轮廓与模型测量来的轮廓特征匹配对比的方法；基于BP神经网络和基于卷积神经网络的方法等。但是目前的方法精度均不太理想，无法适配生产线的效率和精度。

技术实现思路

[0005]本专利技术的目的在于提供一种工件分类识别方法及系统，以解决现有分类技术中冗余信息过多、解释性不强的问题，提高分类精度。
[0006]为了达到上述目的，本专利技术的基础方案为：一种工件分类识别方法，包括如下步骤：
[0007]获取原始图像，并进行图像预处理，得到待测图像；
[0008]采用图像分割算法，提取待测图像的二值图；
[0009]将待测图像的二值图，输入图像处理库，提取形态学特征；
[0010]基于形态学特征，构建分类模型，并对分类模型进行训练，得到优化后的分类模型；
[0011]采集待测工件图像，并输入优化后的分类模型，得到待测工件图像中的工件分类。
[0012]本基础方案的工作原理和有益效果在于：本方案基于深度学习和形态学特征相互融合，既能弥补深度学习的特征冗余问题，又能通过结合形态学特征有效区分困难样本。解决深度学习方法冗余信息过多、解释性不强，以及传统图像处理方法对相似性较高的样本精度不够等相关问题，提高分类的精度。
[0013]进一步，对原始图像进行图像预处理的方法为：
[0014]通过相机采集原始图像，标定相机参数，进行畸变矫正；
[0015]为排除多余干扰无关像素对工件识别的影响，对原始图像进行中心裁剪，得到待测图像。
[0016]畸变矫正可以避免畸形图像对后期分类产生影响，对原始图像进行中心裁剪，利于后续使用。
[0017]进一步，提取待测图像的二值图的方法如下：
[0018]利用工件图像训练AttaNet分割模型，用训练好的AttaNet分割模型预测待测图像得到初始二值图；
[0019]借助OpenCV工具找到初始二值图中的所有轮廓信息，进而找到其中的最大轮廓，即工件的轮廓；
[0020]借助OpenCV工具求取工件轮廓的中心坐标，并得到工件最大外接矩阵；
[0021]根据工件轮廓的中心坐标，以该坐标为图像的中心位置，将待测图像和对应的初始二值图裁剪为1024*1024固定大小的图像和二值图。
[0022]获取待测图像的二值图，便于后续形态学特征提取。
[0023]进一步，提取待测图像二值图的形态学特征的方法如下：
[0024]计算待测图像的二值图的所有连通域；
[0025]在取得的所有连通域基础上，得到每个连通域的面积；
[0026]使用冒泡排序算法，对每个连通域的面积进行排序，得到面积最大的连通域，然后将所有面积小于最大面积的连通域的像素值填补为0；
[0027]二值图中仅剩的连通区域cont即为工件轮廓，生成该轮廓的外接矩阵box；
[0028]根据该轮廓的外接矩阵，计算得到12个形态学特征：
[0029]外接矩高＝box[1][1]；
[0030]外接矩宽＝box[1][0]；
[0031]目标区域的凸性＝cv2.convexityDefects(cont,hull),其中，hull是目标区域的凸包，hull＝cv2.convexHull(cont)；
[0032]目标区域的矩形度＝(连通域cont的像素面积)/(外接矩形box的像素面积)；
[0033]目标区域的面积＝contourArea(cont)；
[0034]目标区域的外轮廓长度＝arclength(cont)；
[0035]目标区域的最小外接圆半径＝minEnclosingCircle(cont)；
[0036]目标区域的最大内接圆半径是轮廓内部中所有的点距离轮廓最近的距离；
[0037]工件区域的像素均值和工件区域的像素方差通过meanStdDev()函数计算；
[0038]工件区域的像素计算熵，首先将待测图像以灰度图的方式进行读取，然后计算工件区域中每个像素出现的概率，求出熵公式：其中P(x
i
)即为工件区域里每个像素出现的概率，n是工件区域中不同像素的个数；
[0039]目标区域中像素各向异性：A＝(λ1‑
λ2)/(λ1+λ2)，其中，λ1、λ2是图像局部几何结构的描述因子，在平滑区域λ1≈λ2≈0；在边缘区域λ1>λ2≈0；在角型区域，λ1>λ2>0。
[0040]操作简单，获取形态学特征，利于使用。
[0041]进一步，所述形态学特征包括外接矩高、外接矩宽、目标区域的凸性、目标区域的矩形度、目标区域的面积、目标区域的外轮廓长度、目标区域的最小外接圆半径、目标区域的最大内接圆半径、工件区域的像素均值、工件区域的像素方差、工件区域的像素计算熵以及目标区域中像素各向异性。
[0042]获取相应的形态学特征，利于后续工件分类。
[0043]进一步，构建分类模型的方法为：
[0044]所述分类模型包括四种残差块，对四种残差块标注为：block1、block2、block3、
block4，分类模型包括两个block1、三个block2、四个block3和两个block4；
[0045]在第一个block1的输出命名为out1，第二个block1的输出命名为out2，第二个block1产生的输出out2与out1结合后，送入block2，block2的输入包括原始特征信息和经过block1提取的特征信息；以此类推得到最后一个block4的输出；
[0046]每个block残差连接的连接方式为：
[0047]y＝H(x,w
h
)+x，
[0048]其中，y是一个残差块的最终输出，即观测值(x)和预测值(H(x,w
h
))的叠加；x是残差块的输入；w
h
是残差块中的权重；H(.)操作是残差块对输入x进行处理；
[0049]将最后一个block4的输出，和提取的形态学特征一起输入全连接层，进行分类。
[0050]采用分类模型中的残差块，避免了特征提取过程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工件分类识别方法，其特征在于，包括如下步骤：获取原始图像，并进行图像预处理，得到待测图像；采用图像分割算法，提取待测图像的二值图；将待测图像的二值图，输入图像处理库，提取形态学特征；基于形态学特征，构建分类模型，并对分类模型进行训练，得到优化后的分类模型；采集待测工件图像，并输入优化后的分类模型，得到待测工件图像中的工件分类。2.如权利要求1所述的工件分类识别方法，其特征在于，对原始图像进行图像预处理的方法为：通过相机采集原始图像，标定相机参数，进行畸变矫正；为排除多余干扰无关像素对工件识别的影响，对原始图像进行中心裁剪，得到待测图像。3.如权利要求1所述的工件分类识别方法，其特征在于，提取待测图像的二值图的方法如下：利用工件图像训练AttaNet分割模型，用训练好的AttaNet分割模型预测待测图像得到初始二值图；借助OpenCV工具找到初始二值图中的所有轮廓信息，进而找到其中的最大轮廓，即工件的轮廓；借助OpenCV工具求取工件轮廓的中心坐标，并得到工件最大外接矩阵；根据工件轮廓的中心坐标，以该坐标为图像的中心位置，将待测图像和对应的初始二值图裁剪为1024*1024固定大小的图像和二值图。4.如权利要求1所述的工件分类识别方法，其特征在于，提取待测图像二值图的形态学特征的方法如下：计算待测图像的二值图的所有连通域；在取得的所有连通域基础上，得到每个连通域的面积；使用冒泡排序算法，对每个连通域的面积进行排序，得到面积最大的连通域，然后将所有面积小于最大面积的连通域的像素值填补为0；二值图中仅剩的连通区域cont即为工件轮廓，生成该轮廓的外接矩阵box；根据该轮廓的外接矩阵，计算得到12个形态学特征：外接矩高＝box[1][1]；外接矩宽＝box[1][0]；目标区域的凸性＝cv2.convexityDefects(cont,hull),其中，hull是目标区域的凸包，hull＝cv2.convexHull(cont)；目标区域的矩形度＝(连通域cont的像素面积)/(外接矩形box的像素面积)；目标区域的面积＝contourArea(cont)；目标区域的外轮廓长度＝arclength(cont)；目标区域的最小外接圆半径＝minEnclosingCircle(cont)；目标区域的最大内接圆半径是轮廓内部中所有的点距离轮廓最近的距离；工件区域的像素均值和工件区域的像素方差通过meanStdDev()函数计算；工件区域的像素计算熵，首先将待测图像以灰度图的方式进行读取，然后计算工件区
域中每个像素出现的概率，求出熵公式：其中P(x
i
)即为工件区域里每个像素出现的概率，n是工件区域中不同像素的个数；目标区域中像素各向异性：A＝(λ1‑
λ2)/(λ1+λ2)，其中，λ1、λ2是图像局部几何结构的描述因子，在平滑区域λ1≈λ2≈0；在边缘区域λ1>λ2≈0；在角型区域，λ1>λ2>0。5.如权利要求4所述的工件分类识别方法，其特征在于，所述形态学特征包括外接矩高、外接矩宽、目标区域的凸性、目标区域的矩形度、目标区域的面...

【专利技术属性】
技术研发人员：文静，吴争高，杨妍，王翊，
申请(专利权)人：重庆大学，
类型：发明
国别省市：