[发明专利]基于深度学习的小型零件分拣方法及其分拣系统

说明书

本发明公开了一种基于深度学习的小型零件分拣系统及其分拣方法，零件分拣系统包括传送带、光电开关、工业相机、计算机和机械臂，传送带负责运送零件，光电开关负责检测零件是否到达图像采集区域，工业相机负责采集零件的图像，计算机对采集的图像进行处理，得到图中零件的类别和坐标位置；机械臂完成对确定类别和位置的零件的抓取分拣。分拣包括：S1、基于YOLOv4目标检测网络训练零件识别模型，通过训练好的零件识别模型检测图片中的零件，输出图中零件的类别名和坐标信息；S2、将零件图像的像素坐标转化为世界坐标；S3、将零件抓取至对应分拣箱内。该方法及装置通过模型预测得到零件的坐标位置，零件识别准确率更高，识别速度更快。

技术领域

本发明涉及一种基于深度学习的小型零件分拣方法及其分拣系统，属于智能制造中的工业自动化领域。

背景技术

随着工业4.0和人工智能时代的到来，工业生产的任务逐渐交由由机器人来完成，在大幅度提高生产力的同时又减少了成本，同时将人从繁重枯燥且极具重复性的任务中解放出来。

早期生产线上零件的分拣大多由人来完成，这样生产的人工成本高、效率低且人工分拣无法保证长时间工作后分拣的效率和准确率。传统机器视觉的零件分拣主要基于人工设计的特征，利用特征点、最小外接矩形和模板匹配配等方法来识别零件。这种算法对于生产线上的姿态各异、形状较复杂的零件往往无法达到令人满意的效果。

针对传统机器视觉算法识别分拣零件时对外部环境变化适应能力弱、抗扰动能力差且对于复杂不规则零件的识别效率低等问题，本发明选用基于深度学习的目标检测方法来完成生产线上各种零件的识别，提高分拣的准确率。

发明内容

本发明的目的是提供一种基于深度学习的小型零件分拣方法及其分检系统，提高生产线上形态各异的、不规则的复杂零件的分拣速度和分拣准确率，提高分拣效率，从而提高生产力。

一种基于深度学习的小型零件分拣系统的分拣方法，主要包括以下步骤：

S1、基于YOLO v4目标检测网络训练零件识别模型，通过训练好的零件识别模型检测图片中的零件，输出图中零件的类别名和坐标信息，具体步骤为：

S11、对样本数据进行采集和扩充；S12、对样本图片进行标注：使用图像标注软件对样本数据进行标注，框选出各图中的零件并标记各零件的名称，保存并输出标注文件，之后划分数据集，训练集和测试集的比例为9:1；S13、零件检测模型的训练：针对生产线上的零件分拣问题，搭建基于深度学习YOLO v4目标检测网络的零件识别网络，以CSPDarknet53网络框架作为骨干网络，空间金字塔池化SPP作为网络颈部的附加模块，路径聚合网络PAN作为网络颈部的特征融合模块，YOLOv3作为网络头部；将YOLO v3边界框回归损失中的均方误差MSE替换为考虑预测框与真实框中心点的标准化距离和长宽比信息的重叠度损失CIOU，CIOU损失定义如下：

L_CIOU＝1-IOU(A,B)+ρ²(A_ctr,B_ctr)/c²+α.v (1)

其中，IOU(A,B)为预测框A与真实框B的重叠度损失IOU，ρ²(A_ctr,B_ctr)/c²为对中心点距离的惩罚项，A_ctr、B_ctr分别为预测框、真实框的中心点坐标，ρ(.)计算两点间的欧式距离，c为A、B最小包围框的对角线长度，α.v为长宽比的惩罚项，α为正数，v衡量长宽比的一致性，具体如下：

其中，w^gt、h^gt分别为真实框的宽和高，w、h分别为预测框的宽和高；