[发明专利]一种基于深度学习方向矩形定位密集产品的计数方法

说明书

本发明提供一种基于深度学习方向矩形定位密集产品的计数方法，其特征在于：包括图像数据预处理阶段：获取产品图像进行裁切，之后标注产品方向矩形位置和类别信息，进行保存；模型训练阶段：设置训练参数，包括迭代周期、训练集和验证集比例、数据增强方式；启动训练，当训练过程中损失函数曲线不再下降且验证集IoU大于0.75即可手动停止训练，或周期达到设置次数自动停止，获得模型并保存，其中IoU是模型预测位置与标注位置区域交集和并集的比值；部署阶段：将模型训练阶段中获得的模型导入设备工控机内运行，对放在设备上的料盘根据模型进行产品的计数统计。该方法具有高效的统计效果，计数结果也无需人工干预。

技术领域

本发明应用于自动化视觉检测领域，具体涉及一种基于深度学习方向矩形定位密集产品的计数方法。

背景技术

电子加工者针对制造所需的各种组件都需要保持有足够的内存，但是成堆的电阻或晶体管等众多细小零件不但收纳不易，对于数量上的管控更是一大难题，使用者需要能够准确掌控目前的库存数量，才能有效的管理仓储状况与成本。在自动化生产线上，通常采用料盘来盛放元器件，作业员将大量元器件规律地以粘贴的方式配置于料盘后进行流水作业，为了清楚每盘料盘内的元器件个数和种类，就需要对料盘上的元器件数目和种类进行高效的统计，对于传统人工计数的方法存在费时、成本高且误差大的缺点、无法对实际来料产品数量准确判断。

发明内容

鉴于以上，本发明提供一种基于深度学习方向矩形定位密集产品的计数方法，具体技术方案如下：

一种基于深度学习方向矩形定位密集产品的计数方法，其特征在于：包括以下步骤：

图像数据预处理阶段：获取产品图像进行裁切，之后标注产品方向矩形位置和类别信息，进行保存；

模型训练阶段：设置训练参数，包括迭代周期、训练集和验证集比例、数据增强方式；启动训练，当训练过程中损失函数曲线不再下降且验证集IoU大于0.75即可手动停止训练，或周期达到设置次数自动停止，获得模型并保存，其中IoU是模型预测位置与标注位置区域交集和并集的比值；

部署阶段：将模型训练阶段中获得的模型导入设备工控机内运行，对放在设备上的料盘根据模型进行产品的计数统计。

进一步，图像数据预处理阶段中标注产品方向矩形位置包括标注产品所在图像位置的矩形框、矩形框中心坐标、矩形框长度和角度。

进一步，模型训练阶段中训练集和验证集比例设置成8:2。

本发明基于深度学习方向矩形定位密集产品的计数方法具有高效的统计效果，计数结果也无需人工干预，对于尺寸在5mm*10mm左右及以上的产品元器件计数准确率达到100%，尺寸较小的产品计数更是可以将精度保持在万分之五以内。另外将本发明训练后的模型直接应用在工业元器件计数现场，不仅操作简便而且可以极大的节省人力和时间成本，对显卡的要求也不高，普通的1060系列英伟达显卡部署即可，通用性强，计算速度快，耗时可达100ms以内。

本发明附加的方面和优点将在下面的描述中进一步给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1所示为本发明计数方法的流程示意图；

图2所示为本发明图像数据预处理步骤中的裁切图像标注效果示意图。

具体实施方式

下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

结合图1示出的本发明基于深度学习方向矩形定位密集产品的计数方法的流程图，具体计数方法包括：

1．图像数据预处理阶段：