[发明专利]一种基于图像识别的零件分类方法

说明书

本发明公开了一种基于图像识别的零件分类方法，其属于图像处理领域，包括以下步骤：采集零件图像，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；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；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a，得到训练完成的零件识别神经网络；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。本发明通过实现零件分类，辅助维修人员或现场工作人员进行设备维修，避免了维修过程中零件识别费时费力的问题。

技术领域

本发明属于图像处理领域，具体涉及一种基于图像识别的零件分类方法。

背景技术

如今，随着多媒体技术的发展，包括图像、音频、视频等信息的多媒体数据大量涌现，如何将大量的信息进行分类，已经成为多媒体技术研究中的热点问题.图像分类研究任务主要由预处理,特征提取和分类三个主要环节构成，每个环节对图像的分类效果都有重要的影响。随着计算机软硬件和国际互联网技术的飞速发展，多媒体数据的数量也以惊人的速度增长，各行各业有越来越多的信息通过图像的形式进行表达，这无疑又给图像分类这一任务的各个环节带来了巨大的挑战。现在工业制造中，有着各种各样的零件，其中不乏有多类相似零件，维修时，分辨零件增加维修时长，且人工有时候会产生错误，从而造成损失，以及当维修人员不在现场时，其他人员无法自主对零件进行更换。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于图像识别的零件分类方法解决了现有技术人工零件识别费时费力的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于图像识别的零件分类方法，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。

进一步地，所述步骤S2中对零件图像进行预处理的具体方法为：