[发明专利]一种用于工业零件图像的快速分类方法

说明书

本发明公开了一种用于工业零件图像的快速分类方法，该方法包括：获取工业零件，对工业零件图像进行标记，预处理和数据增强；将工业零件图像划分为训练集和验证集；设计一种在残差网络和轻量化网络上进行的改进的快速卷积神经网络模型，得到的训练样本输入卷积神经网络模型中训练网络权重、偏置参数,生成分类器。使用验证样本验证模型分类器；确定最佳超参数，在此最优超参数下迭代完成得到最优的卷积神经网络模型；对将要分类的工业零件图像进行预处理，输入到卷积神经网络模型中；输出卷积神经网络模型的预测矩阵中每一行最大值的索引值,根据索引值得到对应工业零件图像的分类标签,完成分类。本发明增强了鲁棒性，提高了正确率和速度。

技术领域

本发明涉及图像识别领域，具体是涉及一种用于工业零件图像的快速分类方法。

背景技术

工业零件图像的快速准确分类是工业图像领域中的一个重要研究内容。工业零件图像分类是计算机视觉中最为常见的任务之一，主要是通卷积神经网络对原始的图像提取有效特征信息，生成图像分类神经网络模型，然后使用该图像分类神经网络模型对分类图像数据进行分类。因此对工业图像的准确快速分类与工厂的经济效益有着直接的联系。

在工业产业的逐步发展中，许多工业生产过程实现了自动化，一般重复性劳动的生产线上也逐步由机器代替工人，这使得生产过程更加高效、安全，节省大量人力物力，同时产品精度也会随之提高。当生产过程中需要对工业零件进行识别时，就需要让机器对零件进行准确快速的分类，以提高机器的识别精度和工作效率。传统的图像识别过程分为图像处理和图像识别两部分，需要经过图像的预处理、图像分割、特征提取等步骤，再利用这些提取到的特征进行图像分类，是一个费时费力的过程，而且精度和速度都难以达到要求。

深度神经网络模型被广泛应用在图像分类、物体检测等场景中，并取得了巨大成功。然而，由于存储空间和计算能力的限制，一些大型的神经网络模型(如vgg19网络)在嵌入式设备上的存储与计算仍然是一个巨大的挑战。提高分类的准确率和快速性成为了目前研究的热点。

发明内容

本发明针对现有技术的不足，提出了一种用于工业零件图像的快速分类方法。

一种用于工业零件图像的快速分类方法，包括以下步骤：

步骤1：选取多种工业零件，获取目标零件图像，对工业零件图像进行标记和预处理，将工业零件图像归一化处理，并将归一化处理过的工业零件图像调整为224×224×3的统一格式；采取FD翻转降噪的数据增强方式；

步骤2：将步骤1中的工业零件图像按照8:2划分为训练集和验证集；

步骤3：设计一种卷积神经网络模型

该卷积神经网络模型是在残差网络和轻量化网络上进行的改进；引入了轻量化模型的结构且对标准的残差网络进行了加深与加宽；网络模型主体结构包含第一卷积组块CONV1、第二卷积组块CONV2和第三卷积组块CONV3以及第四卷积组块CONV4；网络输入图像大小为224×224×3；

该卷积神经网络模型第一层是64个感受野大小为7×7的卷积层，步长为2，边缘填充为2，输出为64个通道、大小为112×112的特征；第二层采用重叠的最大池化层，即感受野大小为3×3，步长为2，边缘填充为1，输出为64个通道，图像大小为56×56的特征；