[发明专利]基于FD-Densenet网络的工业零件识别分拣方法、介质及系统

说明书

本发明涉及一种基于FD‑Densenet网络的工业零件识别分拣方法、介质及系统，所述方法包括以下步骤：实时采集待分拣零件图像，采用基于FD‑Densenet网络的零件识别深度学习模型对所述待分拣零件图像进行识别，根据识别获得的分类结果对待分拣零件进行分拣；其中，所述基于FD‑Densenet网络的零件识别深度学习模型结合深度可分离卷积运算和特征压缩传递结构，实现网络轻量化，提高运算速度，使其可以应用在嵌入式设备上。与现有技术相比，本发明具有效率高、识别准确率高、轻量化等优点，能够有效解决传统二维模型难以处理的目标物角度问题。

技术领域

本发明属于机器视觉、深度学习与物料分拣领域，尤其是涉及一种基于FD-Densenet网络的工业零件识别分拣方法及系统。

背景技术

机器视觉一直是机器人学研究的热点问题，是人工智能与机器人学的一个结合点。传统的图像识别方法中，特征提取主要依赖人工设计的提取器，需要有专业知识及复杂的调参过程，同时每个方法都是针对具体应用，泛化能力及鲁棒性较差。随着卷积神经网络、计算机能力及计算机视觉等方向的发展，基于深度学习的图像识别已经在精度和实时性方面，远远赶超传统图像识别方法。深度学习主要是数据驱动进行特征提取，根据大量样本的学习能够得到深层的、数据集特定的特征表示，其对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，泛化能力更好，并且可以是端到端的。

物料分拣系统是机器视觉在工业领域最常见的应用之一，也是衡量工业自动化水平的重要指标。零件分拣是工业生产线上不可或缺的一部分，传统生产中一般采用人工分拣的方式，但随着生产自动化的普及，生产速度加快，人工分拣已经无法满足生产需求。然而，生产线上，零件的角度和姿态具有随机性，传统的基于二维模型的识别方法很难处理目标物的角度问题，导致分拣效率低下。

发明内容

本发明的目的就是为了克服上述现有技术存在的零件分拣效率低下的不足，解决传统二维模型难以处理的目标物角度问题，而提供一种高效率的基于FD-Densenet网络的工业零件识别分拣方法、介质及系统。

本发明的目的可以通过以下技术方案来实现：

一种基于FD-Densenet网络的工业零件识别分拣方法，该方法包括以下步骤：

实时采集待分拣零件图像，采用基于FD-Densenet网络的零件识别深度学习模型对所述待分拣零件图像进行识别，根据识别获得的分类结果对待分拣零件进行分拣；

所述基于FD-Densenet网络的零件识别深度学习模型结合深度可分离卷积运算和特征压缩传递结构实现。

进一步地，所述FD-Densenet网络中，通过对过去所有层产生的特征图进行随机dropout，再与当前层进行级联，从而控制每一层卷积的通道数。

进一步地，所述FD-Densenet网络中的每一层卷积采用深度可分离卷积。

所述FD-Densenet网络中，所述深度可分离卷积与2D卷积所需的乘法次数比为：

其中，N_C为通道数，h为卷积核的大小。

进一步地，所述零件识别深度学习模型的训练过程包括：

采集张数达到设定值的图像，对图像进行预处理后构建训练数据集；

获取预训练的零件识别深度学习模型，对模型参数进行初始化；

基于所述训练数据集对零件识别深度学习模型进行训练。

进一步地，所述预处理包括：

采用基于参数循环检测的零件定位方法对图像进行高斯模糊处理和canny边缘检测。