[发明专利]一种基于深度学习的智能工具管理方法

说明书

一种基于深度学习的智能工具管理方法，属于机器视觉技术领域。本发明解决了现有工具管理存在效率低，人力资源浪费的问题。本发明针对多个工具箱及工具箱内的工具进行标号，所述多个工具箱内均设置有多个类型相同或不同的工具，所述工具箱内每个工具均有固定的位置；且每个工具箱内的所有工具的标号均与工具箱的标号相同；采集待检测的工具箱的内部图像，利用图像识别的方法对待检测的工具箱的内部图像进行识别，获取待检测的工具箱内缺失的工具的标号、类型及缺失工具在工具箱内的位置；将获取的待检测的工具箱内缺失的工具的标号、类型及缺失工具在工具箱内的位置信息存储至MySQL数据库中，利用MySQL数据库对工具进行智能管理。本发明适用于工具管理。

技术领域

本发明属于机器视觉技术领域，具体涉及一种智能工具管理方法。

背景技术

工具管理是一种组织管理，是指对工具在出库、入库、使用、存储以及维护等方面所进行的管理。

传统的工具管理通常依赖于非自动化的且基于纸张文件的系统来记录工具的当前使用状态，工具仓库内的管理全部由人工实现，故而仓库管理的效率极低，可管理的仓库规模也较小，不适用大规模，这样不但浪费了大量的人力资源，还会因人为影响造成数据录入的速度慢以及准确率较低。随着生产生活水平的提高，工具的种类和数量也在快速增加，出入库的频率猛增。基于传统的人工纸张管理越来越无法适应管理规模的扩大。

发明内容

本发明的目的是为了解决现有工具管理存在效率低，人力资源浪费的问题，提出了一种基于深度学习的智能工具管理方法。

本发明所述的一种基于深度学习的智能工具管理方法，该方法的具体步骤为：

步骤一、针对多个工具箱及工具箱内的工具进行标号，所述多个工具箱内均设置有多个类型相同或不同的工具，所述工具箱内每个工具均有固定的位置；且每个工具箱内的所有工具的标号均与工具箱的标号相同；

步骤二、采集待检测的工具箱的内部图像，利用图像识别的方法对待检测的工具箱的内部图像进行识别，获取待检测的工具箱内缺失的工具的标号、类型及缺失工具在工具箱内的位置；

步骤三、将获取的待检测的工具箱内缺失的工具的标号、类型及缺失工具在工具箱内的位置信息存储至MySQL数据库中，利用MySQL数据库对工具进行智能管理。

进一步地，步骤二所述采集检测的工具箱的内部图像，利用图像识别的方法对检测的工具箱的内部图像进行识别，获取待检测的工具箱内缺失的工具的标号、类型及缺失工具在工具箱内的位置的具体方法为：

步骤S1、获取工具图像并进行标注，建立工具图像训练集，对Faster R-CNN模型进行训练；

同时获取二值化的工具图像，并对二值化的工具图像进行标号，建立二值化标号图像训练集，利用训练集对LeNet网络模型进行训练；

步骤S2、获取待检测的工具箱的内部图像；，

步骤S3、利用训练后的LeNet网络模型对待检测的工具箱的内部图像中缺失工具的标号的进行识别，获取缺失工具的标号；同时，利用训练后的Faster R-CNN模型对待检测的工具箱的内部图像中缺失的工具在工具箱内的位置及缺失工具类的型进行识别。

进一步地，步骤S3中所述获取缺失工具的标号的具体步骤为：

步骤A1、利用字符区域检测算法与字符区域分割算法对待检测的工具箱的内部图像进行字符区域检测和字符区域分割，获取缺失工具的标号的二值化图像；

A2、利用训练后的LeNet网络模型对缺失工具的标号的二值化图像进行标号识别，获取缺失工具的标号。

进一步地，步骤S3中所述利用训练后的Faster R-CNN模型对待检测的工具箱的内部图像中缺失的工具在工具箱内的位置及缺失工具类的型进行识别的具体方法为：