一种基于卷积神经网络的工件识别方法技术

本发明专利技术设计一种基于卷积神经网络的工件识别方法。对工件进行精准识别的核心是对不同目标工件的类型和位置进行准确检测，为此设计了一种改进的卷积神经网络。在原有的YOLOv7卷积神经网络中增加特征分解计算模块，并去除卷积神经网络中的Elan模块，将其替换为Conv卷积层，在不降低识别精准度的同时减少计算负担；通过改进后的卷积神经网络，对四种不同种类进行单个摆放和堆叠摆放的工件进行识别实验；本发明专利技术可以对不同工件种类和不同位置摆放的工件实现精准识别，并且改进后的网络模型，其权重、参量和计算量明显减小，mPA提高了1.8％，减少计算处理负担，加快检测速度，提高模型对小目标和密集目标的检测能力。目标和密集目标的检测能力。目标和密集目标的检测能力。

【技术实现步骤摘要】
一种基于卷积神经网络的工件识别方法


[0001]本专利技术涉及深度学习领域，尤其涉及一种基于改进后的卷积神经网络的工件识别方法。

技术介绍

[0002]目标检测是计算机视觉领域的基本任务，一直是学者们的研究热点。随着中国科学技术的快速发展，中国制造业开始引进计算机和机器人等各种智能技术，国家不断推出相应智能措施，我国逐渐成为智能制造强国。各行各业对应用图像视觉技术的工业自动化需求显著提升，工业级别的视觉技术应用目前已遍布各大工厂。自深度学习算法应用于目标检测任务以来，基于深度学习的目标检测算法一直都在飞速发展，不断有新的目标检测算法刷新着检测精度与速度的记录。
[0003]在各类工业生产中，工件是工业生产中的基本组成零件。工件的好坏直接影响到产品的质量，特别是生产规模大、产品种类多、数量多的制造企业，采用人工方式对各类产品进行检测识别和分类统计十分困难。基于深度学习的目标检测方法相较于传统目标检测方法更好，其检测的准确率更高，速度更快，现在运用深度学习的方法来开发目标检测模型已成为大势所趋。

技术实现思路
r/>[0004]本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的工件识别方法，其特征在于，所述识别方法包括以下步骤：步骤1：创建图像数据集，对四种不同种类的工件进行图像增强，并对四种工件进行数据集标记，在此基础上有效扩大数据集。步骤2：改进卷积神经网络。在YOLOv7卷积神经网络模型中增加特征分解计算模块，将输入特征沿着两个方向进行分解再聚合；将网络模型中的Elan模块更换为Conv卷积层，降低计算负担，加快检测速度。步骤3：部署并训练改进后的卷积神经网络，对原始卷积神经网络和改进后的卷积神经网络进行实验对比，得到改进数据。步骤4：通过验证数据集对四种不同类型并且摆放不同位置的工件进行识别实验。2.根据权利要求1所述工件识别方法，其特征在于，所述步骤1创建数据集具体为，步骤1.1：选择四种不同种类的工件样品，随机摆放工件位置进行拍照，获取800个数据集；对采集到的数据集进行Mosaic图像增强，其中包括高斯滤波、仿射变换、水平翻转等操作；步骤1.2：对获取的数据集进行数据集标记，四种不同种类的工件分别标记为0、1、2、3；步骤1.3：将上述数据随机裁剪、缩放、随机分布，充分扩大数据集样本数量，增加至7500个数据集，其中训练集、测试集、验证集比例为8∶1∶1；步骤1.4：对增强后的数据集进行自适应锚框计算，在每次计算中，网络自动适应计算不同训练集中的最佳锚框值；步骤1.5：使用灰度填充的方式将增强后的图像尺寸统一，统一后的输入图像尺寸为640*640。3.根据权利要求1所述工件识别方法，其特征在于，所述步骤2改进卷积神经网络具体为，步骤2.1：在卷积神经网络模型中，对输入特征进行分解全局池化，转化为一对一维特征编码的操作，全局池化公式如下：步骤2.2：对于给定输入X＝[x1，x2，...，x
A
]∈R
A
×
B
×
C
，首先使用尺寸为(B，l)和(l，C)的池化内核分别沿着水平坐标和垂直坐标对每个通道进行编码，得到高度为b的第a通道输出和宽度为c的第a通道输出公式如下：和宽度为c的第a通道输出公式如下：步骤2.3：将生成的A*l*C的特征图进行串联操...

【专利技术属性】
技术研发人员：侯勇，陈妍，毛润华，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：