[发明专利]基于卷积神经网络的零件识别与检测方法、系统及设备

权利要求书

1.一种基于卷积神经网络的零件识别与检测方法，其特征在于，包括如下步骤：a.对各类待检测零件制作标准模板，生成检测模型；b.识别待检测零件的标准模板；c.将所述待检测零件摆放于工作台原点位置；d.扫描待检测零件正面图像，与所述标准模板对比，通过所述检测模型对所述待检测零件正面图像中的沉头孔和黑色遮盖孔进行识别并检测；e.扫描待检测零件背面图像，与所述标准模板对比，识别标签信息并检测；f.输出检测结果。

2.根据权利要求1所述一种基于卷积神经网络的零件识别与检测方法，其特征在于，步骤a包括：将模板零件放置于工作台上并与原点对齐，扫描模板零件正面图像；对所述模板零件正面图像中的模板零件轮廓、沉头孔以及黑色遮盖孔进行标记；对所述模板零件正面图像中的沉头孔信息和黑色遮盖孔信息进行提取并保存；使用卷积神经网络将已标记的模板零件轮廓、沉头孔以及黑色遮盖孔进行分类样本训练，并生成检测模型；扫描模板零件背面图像；对所述模板零件背面图像中的标签进行深度学习，并提取标签位置并保存。

3.根据权利要求2所述一种基于卷积神经网络的零件识别与检测方法，其特征在于，所述沉头孔信息包括沉头孔大小以及沉头孔位置，所述黑色遮盖孔信息包括黑色遮盖孔半径以及黑色遮盖孔位置。

4.根据权利要求1或3所述一种基于卷积神经网络的零件识别与检测方法，其特征在于，步骤b包括：通过扫码枪读取待检测零件上的工单信息，获得待检测零件的标准模板。

5.根据权利要求4所述一种基于卷积神经网络的零件识别与检测方法，其特征在于，步骤d还包括：将待检测零件正面图像根据标准模板进行矫正，得到零件偏移量。

6.一种基于卷积神经网络的零件识别与检测系统，基于权利要求1或4所述一种基于卷积神经网络的零件识别与检测方法，其特征在于，包括：

训练单元，用于对各类待检测零件制作标准模板，生成检测模型；

获取单元，用于识别待检测零件的标准模板；

正面零件检测单元，用于将待检测零件摆放于工作台原点位置，扫描待检测零件正面图像，与标准模板对比，通过检测模型对待检测零件正面图像中的沉头孔和黑色遮盖孔进行识别并检测；

背面零件检测单元，用于扫描待检测零件背面图像，与标准模板对比，识别标签信息并检测；

输出单元，用于输出检测结果。

7.根据权利要求6所述一种基于卷积神经网络的零件识别与检测系统，其特征在于，所述训练单元包括：正面信息提取模块，用于将模板零件放置于工作台上并与原点对齐，扫描模板零件正面图像，对所述模板零件正面图像中的模板零件轮廓、沉头孔以及黑色遮盖孔进行标记，对所述模板零件正面图像中的沉头孔信息和黑色遮盖孔信息进行提取并保存，使用卷积神经网络将已标记的模板零件轮廓、沉头孔以及黑色遮盖孔进行分类样本训练，并生成检测模型；背面信息提取模块，用于扫描模板零件背面图像，对所述模板零件背面图像中的标签进行深度学习，并提取标签位置并保存。

8.根据权利要求7所述一种基于卷积神经网络的零件识别与检测系统，其特征在于，所述获取单元包括：扫码模块，用于通过扫码枪读取待检测零件上的工单信息，获得待检测零件的标准模板。

9.根据权利要求8所述一种基于卷积神经网络的零件识别与检测系统，其特征在于，所述正面零件检测单元包括：矫正模块，包括将待检测零件正面图像根据标准模板进行矫正，得到零件偏移量。

10.一种基于卷积神经网络的零件识别与检测设备，基于权利要求1或4所述一种基于卷积神经网络的零件识别与检测方法，其特征在于，包括工作台、设于工作台上方的上图像采集机构以及设于工作台下方的下图像采集机构，所述上图像采集机构包括水平设置的滑轨、与滑轨滑动连接的多个安装架以及与安装架固接的第一摄像头，所述下图像采集机构包括相对设置两个第一导轨、滑动连接于两第一导轨之间的第二导轨、与第二导轨滑动连接的定位架以及与定位架固接的第二摄像头。