[发明专利]基于人工智能的影像匹配及识别方法

说明书

本发明涉及一种基于人工智能的影像匹配及识别方法，其包括以下步骤：收集产品模型及原稿，获取产品影像；建立人工智能影像认别数据库；使用监督学习法对数据进行分类、学习；进行影像认别；对于影像识别后的问题进行统计、检修。由此，可以对工业产品极大程度消除假缺陷，提高生产效率。能够对缺陷进行分类，对缺陷的级别进行分类，便于排查。能够对特定区域内的缺陷进行追踪，有利于产品问题分析，提升产品加工质量。最大程度的免人工自主学习，提高了人工智能处理效率。应用范围广，可应用到绝大多数的工业生产领域中。

技术领域

本发明涉及一种人工智能的应用，尤其涉及一种基于人工智能的影像匹配及识别方法。

背景技术

目前，机器人生产已广泛用于工业生产，但生产过程中的品质控制仍然存大较大的问题，虽然采用于自动光学检测等手段，但是效率及结果不能满足大生产的需要。

具体来说，对于大部分产品的缺陷仍然需要人工确认，对于缺陷的分类统计必须依靠人工来进行，并且不能及时反馈到生产工序，特别是产品的重要部分，没有办法分区域同时检测，严重地影响了产品品质，提高了生产的成本。

有鉴于上述的缺陷，本设计人，积极加以研究创新，以期创设一种基于人工智能的影像匹配及识别方法，使其更具有产业上的利用价值。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于人工智能的影像匹配及识别方法。

本发明的基于人工智能的影像匹配及识别方法，其包括以下步骤：步骤一，收集产品模型及原稿，获取产品影像。步骤二，建立人工智能影像认别数据库。步骤三，使用监督学习法对数据进行分类、学习。步骤四，进行影像认别。步骤五，对于影像识别后的问题进行统计、检修。

进一步地，上述的基于人工智能的影像匹配及识别方法，其中，所述步骤一中，产品模型及原稿的最小象素大于等于10UM，通过线性扫描相机或是3D相机来获取产品影像，对产品影通过自适应灰阶值进行降噪处理。

更进一步地，上述的基于人工智能的影像匹配及识别方法，其中，所述步骤二中，对已标注好结果的训练样本，通过模型输出预测结果，通过优化，使得预测值和真实值的误差最小化，令模型能够对未知的数据进行分类。

更进一步地，上述的基于人工智能的影像匹配及识别方法，其中，所述步骤三中，采用卷积神经网络来建立监督式学习法，对标注数据进行训练，

S1，卷积神经网通过卷积核的卷积计算，将图像数据演变成卷积层的数据；

S2，通过激活层采用Relu函数，进行非线性变换；

S3，接入池化层对数据尺度进行缩减；

S4，S1至S3构成大循环，组成深度网络；

S5，接入全连接层和激活层构成的循环网络；

S6，连接softmax函数计算出损失函数值。

更进一步地，上述的基于人工智能的影像匹配及识别方法，其中，所述步骤三中的学习过程为，通过BP算法，运用链式法，则对神经网络中的各层的参数的梯度进行传递和更新；

利用SGD算法、adam算法、退火算法对参数进行学习；

采用Dropout方法，在每批次的训练过程中，神经网络各隐含层的神经元为随机失活状态，随机保留另外一部分神经元。

更进一步地，上述的基于人工智能的影像匹配及识别方法，其中，所述步骤三中的学习过程中，

按照产品品质进行分类，按尺寸及位置计量分类属性，

按照产品的行业标准及客户标准建立可视化品质类集。