[发明专利]一种基于图像识别的零件分类方法

权利要求书

1.一种基于图像识别的零件分类方法，其特征在于，包括以下步骤：

S1、采集K类零件图像，且每类所述零件图像采集N张；

S2、将采集的零件图像进行预处理，并将预处理过后的零件图像作为训练集；

S3、构建零件识别神经网络，并对其网络参数进行初始化，得到初级零件识别神经网络；

S4、构建损失函数，以损失函数最小为目标，并通过训练集对初级零件识别神经网络进行训练，直至损失函数小于训练阈值a，得到训练完成的零件识别神经网络；

S5、采集待识别图像，对待识别图像进行预处理，并将预处理后的待识别图像输入训练完成的零件识别神经网络中，得到零件分类结果；

所述步骤S4中的损失函数L具体为：

其中，n=1,2,...,N，N表示每一类样本的总数，k=1,2,...,K，K表示样本类别数，表示零件识别神经网络计算得到的第n个样本的输出结果为第k类情况下的激活函数值，表示第n个样本为第k类的概率，表示第一损失计算参数值，表示第二损失计算参数值，R( )表示正则化，W表示零件识别神经网络的第一网络参数，表示零件识别神经网络的第二网络参数；

所述具体为：

其中，表示在零件识别神经网络参数为W和b的情况下，输入样本为所得到的输入信号抽象特征；b表示零件识别神经网络的第三网络参数；表示在零件识别神经网络参数为的情况下，输入特征所得到的对应标签；

所述网络参数W、b和的更新公式为：

其中，表示使用第k类样本训练时的零件识别神经网络的第一网络参数，表示使用第k类样本训练时的零件识别神经网络的第二网络参数，表示使用第k类样本训练时的零件识别神经网络的第三网络参数，、和均表示微分项，表示网络更新学习率。

2.根据权利要求1所述的基于图像识别的零件分类方法，其特征在于，所述步骤S2中对零件图像进行预处理的具体方法为：

A1、对零件图像依次进行高斯滤波、均值滤波、最小均方差滤波和Gabor滤波，得到一级处理零件图像；

A2、将一级处理零件图像进行灰度化处理，得到二级处理零件图像；

A3、求取二级处理零件图像中像素点的梯度，并根据梯度将二级处理零件图像进行灰度表示，得到三级处理零件图像；

A4、将三级处理零件图像进行轮廓纵坐标重建，得到四级处理零件图像；

A5、提取四级处理零件图像中轮廓区域，获取预处理后的零件图像。

3.根据权利要求2所述的基于图像识别的零件分类方法，其特征在于，所述步骤A3的具体步骤为：

A31、依次求取二级处理零件图像函数f(x,y)中每个像素点的梯度G(f(x,y))为：

其中，x表示像素点的横坐标，y表示像素点的纵坐标，x=0,1,..,X，y=0,1,...,Y，X表示最大横坐标，Y表示最大纵坐标，；

A32、设定灰度阈值T，根据灰度阈值T和每个像素点的梯度G(f(x,y))，将二级处理零件图像进行灰度g(x,y)表示，得到三级处理零件图像；所述灰度g(x,y)为：

其中，M表示位于轮廓上的像素点，N表示非轮廓线上的像素点。

4.根据权利要求2所述的基于图像识别的零件分类方法，其特征在于，所述步骤A4的具体步骤为：

A41、随机在三级处理零件图像中寻找一个灰度g(x,y)=M的像素点，记该像素点为(x₀,y₀)；

A42、以像素点(x₀,y₀)为中心，提取像素点(x₀,y₀)的所有相邻像素点中灰度为M的像素点；

A43、选取步骤A42中灰度为M的像素点中梯度最大的像素点，并以此梯度最大的像素点为中心，提取其所有相邻像素点中灰度为M的像素点；

A44、根据步骤A43的方法进行类推，获取三级处理零件图像中的轮廓像素点，得到四级处理零件图像。