[发明专利]一种基于模型融合的多侧面联合检测物品分类方法

说明书

本发明公开了一种基于模型融合的多侧面联合检测物品分类方法，其步骤如下：采集待分类物品不同视角的图像后其分别分别输入处理模型I得到各预测概率矩阵；再对各预测概率矩阵进行融合得到融合矩阵；最后将融合矩阵输入处理模型II即得到待分类物品的分类结果。本发明的基于模型融合的多侧面联合检测物品分类方法，基于多模型融合的深度学习实现物品识别，具有较高的准确率；基于神经网络构建物品识别模型，具有较强的特征提取能力；基于多侧面图像联合输入模型，可以同时获得一个零件的多个特征，在相似零件分类上有显著的效果，极具应用前景。

技术领域

本发明属于视觉检测技术领域，涉及一种基于模型融合的多侧面联合检测物品分类方法，特别涉及一种多面采集物品图像后应用基于模型融合的卷积神经网络完成物品分类的方法。

背景技术

物品分类一直是人工智能在图像方向研究的热点领域，如何使用图像做到快速准确的分类是众多学者共同探讨的话题。随着近年来深度学习技术的发展，为人工智能领域提供了新的方法，相对于传统方法的特征设计提取，简化了人工的操作。从最开始的Lenet到最近的Densenet网络，网络的性能不断地增加，解决了梯度消失的问题，新模型的深度也不断刷新纪录。但是在相似物品的分类中，性能却不能发挥到最好，因为在同一大类物品中特征大体相同，但是物品的细节并不相似；另一方面物品在某些角度拍摄到的图像一致，在深度学习的训练阶段就会造成标签的错误，不能很好的学习到物品的差异，即从某单个角度不能完成物品的识别分类操作，会和相似的物品发生混淆。

因此，开发一种能够实现物品快速精确分类的方法极具现实意义。

发明内容

本发明的目的在于克服现有物品识别分类效果差的缺陷，提供一种能够实现物品快速精确分类的方法。

为实现上述目的，本发明提供如下技术方案：

一种基于模型融合的多侧面联合检测物品分类方法，其步骤如下：

采集待分类物品不同视角的图像后其分别分别输入处理模型I得到各预测概率矩阵；再对各预测概率矩阵进行融合得到融合矩阵；最后将融合矩阵输入处理模型II即得到待分类物品的分类结果；

所述处理模型I为Densenet模型，其输入为物品图像，输出为物品的对应类别，其训练是以类别已知的物品图像作为训练集对模型进行训练，不断调整模型参数，最终达到训练次数上限；

所述处理模型II为BP神经网络(其中初始化权重W为采用高斯分布随机初始化)，其输入为物品各图像融合矩阵，输出为物品的对应类别，其训练过程是以包含已知类别的物品各图像融合矩阵及其对应类别的样本集作为训练集对模型进行训练，不断调整模型参数，最终达到训练次数上限(如50次)，所述已知类别的物品各图像融合矩阵是指将已知类别的物品的各图像输入处理模型I后得到的各预测概率矩阵融合后得到的矩阵。其中BP神经网络采用Adam优化器，学习率为0.001。

本发明的基于模型融合的多侧面联合检测物品分类方法，采用多角度采集图像的方式获取物品图像(采集的特征多)，再采用Densenet模型对各图像采集设备采集的图像进行处理后，融合后最后将其输入到BP神经网络，完成基于多模型融合的深度学习实现物品识别，其分类准确率高，极具应用前景。

作为优选的技术方案：

如上所述的一种基于模型融合的多侧面联合检测物品分类方法，所述采集待分类物品不同视角的图像是通过视觉图像采集系统完成的，具体操作为：将待分类物品放在视觉图像采集系统的转盘中心上，开启视觉图像采集系统所有的图像采集设备均开始采集待分类物品的图像；

所述视觉图像采集系统，包括一用于放置待分类物品的转盘，所述转盘与转盘驱动装置连接，在转盘驱动装置的驱动下可水平旋转；转盘可控制零件的方位，增加数据丰富性与可靠性，相比于传统机器视觉中只采用俯视图像进行识别，多视角的图像能提供更多的零件信息，有利于深度学习模型学习到更为完整的零件信息，并且可以防止过拟合，提升模型泛化能力。