[发明专利]一种基于迁移学习的螺钉螺母检测方法

说明书

本发明公开的一种基于迁移学习的螺钉螺母检测方法，包括以下步骤：获取螺钉螺母图像，建立数据集，对数据集进行数据增强；构建基于迁移学习第一网络模型并进行对比，选择最优网络模型；修改最优网络模型的全连接层，重新添加用于识别螺钉螺母的全连接层，构建迁移学习第二网络模型；通过数据集对迁移学习第二网络模型进行训练，得到螺钉螺母识别模型；利用迁移学习第二网络模型，对检测结果进行判断，得到检测结果；本发明采用迁移学习，并利用适当的因子卷积和正则化方法对网络进行放大，提高了网络的附加计算效率，通过固定部分的训练权值和调整部分层的结构，提高了模型的精确率，减少了训练时间，解决了数据集不足的问题。

技术领域

本发明涉及图像处理、目标检测和机器学习领域，特别涉及一种基于迁移学习的螺钉螺母检测方法。

背景技术

螺钉和螺母被称为工业大米，它们广泛存在于大大小小的工业设备中。而在许多场景下，螺钉和螺母的检测与定位是非常重要的。例如在设备运维质检中，需要采用远程图像识别技术，定位螺钉螺母和其他的元件进行初步的远程质量安检，能够显著节约人力成本并提高准确率。在工业流水生产线上对螺钉和螺母进行识别和分类同时进行相应的匹配，能更好的实现工业流水线上无人化，能极大的提高生产效率。

传统的工业器件检测方法包括图像预处理和图像识别。首先将每一个像素图像分检出来交给识别模块，对原图像进行灰度化处理生成灰度矩阵，中值滤波去噪声。其次采用SVM支持向量机对几何特征参数进行处理，通过分析各个参数的分布区间来将目标和周围背景区分开，找出其中具有能区分功能的决定性的几何特征参数。最后通过提取的特征进行图像检测，但是这些特征存在局限性，采用传统的提取特征方法流程繁琐，效率低。

目前结合深度学习进行图像处理成为一种新的趋势，深度学习通过模拟类似人脑的层次结构建立了从低级信号到高层语义的映射，以实现数据的分级特征表达，具有强大的视觉信息处理能力。使用深度学习网络检测工业器件的方法很多，主要受到下面原因的限制：

(1)总体来说螺钉螺母尺寸较小，在整张图片的占比相对也小，对整个系统的小物体检测能力要求高。

(2)深度学习往往需要相对大的数据集才能取得很高精度的模型，识别也会达到一个很高的准确度，而工业器件的数据集数量较少，采集数据也比较困难，尤其是螺钉螺母。

(3)工业器件里数据集的识别难度不一样，为了使模型聚焦在难识别样本的学习，需要对模型的算法做出相应的调整。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于迁移学习的螺钉螺母检测方法，基于Inception-v3，利用适当的因子卷积和正则化方法对网络进行放大，提高了网络的附加计算效率，通过固定部分的训练权值和调整部分层的结构，一开始设定较大的学习率，随着训练次数的增加，慢慢减小学习率，保证了模型的收敛速度并且能够很好的保留先前获得的参数。这样显着的提高了模型的精确率，减少了训练时间，解决了数据集不足的问题。

本发明的目的通过以下的技术方案实现：

一种基于迁移学习的螺钉螺母检测方法，其特征在于，包括以下步骤：

S1、获取螺钉螺母图像，建立数据集，对数据集进行数据增强；

S2、构建基于迁移学习第一网络模型并进行对比，选择最优网络模型；

S3、修改最优网络模型的全连接层，重新添加用于识别螺钉螺母的全连接层，构建迁移学习第二网络模型；

S4、通过数据集对迁移学习第二网络模型进行训练，得到螺钉螺母识别模型；

S5、利用迁移学习第二网络模型，对检测结果进行判断，得到检测网络。