[发明专利]基于深度学习与模型仿真的相似零件识别系统、介质和方法

说明书

本发明公开了一种基于深度学习与模型仿真的相似零件识别系统、介质和方法，该方法包括：获取零件三维模型的静态位姿、生成仿真图像、获取零件图像最小包围盒坐标、生成相似零件识别网络训练集、进行YOLO4神经网络训练、根据测试集结果构建最佳识别视角集、控制相机采集现场零件图像、根据识别结果的置信度判断是否通过运动转台调整相机视角下相似零件位姿，再重新进行识别。本发明利用三维模型的仿真图像生成YOLO4算法的训练集，实现了训练集自生成从而缩减了制作训练样本的时间，并且该方法通过运动转台的方式有效解决了单一视角下零件可区分特征易遮挡的问题，实验结果表明该方法具有高精度的识别结果，具有切实可行的实用价值。

技术领域

本发明涉及相似零件的识别，尤其涉及一种基于深度学习与模型仿真的相似零件识别系统、介质和方法。

背景技术

工业生产中往往存在多品种、多批次、高相似零件的分类识别需求。长期以来，机器视觉技术一直备受关注。作为机器视觉的重要组成部分，图像分类与识别技术得到了持续的研究和发展，不仅在理论上不断地出现改进与创新，而且在实际应用中也取得了重大的推广与突破。例如专利文献CN112132783A公开的一种基于数字图像处理技术的零件识别方法。目前，采用机器视觉技术进行目标产品分类、分拣的应用已经在诸多行业里得到了实现。然而传统的机器视觉算法难以应对复杂工业环境下的光源、噪声、对焦等问题。

在机器视觉系统中运用深度学习目标识别算法，可以解决很多传统视觉算法难以解决的问题。田晓杰等(田晓杰，程耀瑜，常国立.基于深度学习优化S SD算法的硅片隐裂检测识别.机床与液压，2019，47(1):36–40，60.)提出了一种优化的SSD检测方法，用DenseNet网络结构替代VGG网络结构，从而优化了SSD检测算法对小目标的鲁棒性，解决硅片隐裂检测问题，但是检测速度较慢，不能满足实时性。目前常用的深度学习算法包括Faster R-CNN、SS D、YOLO系列等，其中YOLOv4是最优秀的目标检测算法之一，其汇集了之前的众多研究成果，达到了检测精度和效率的最佳平衡，本文基于YOLOv4进行相似零件的分类检测。

然而，深度学习模型所需要的训练集往往包含成千上万张样本图像信息，采用手工标注的方式虽然具有准确性高的优势，但耗时耗力，同时在工业生产中，往往需要定制化的多品种零件分类识别任务，一次将所有可能的零件制作训练集又会导致模型识别准确率的降低，难以满足工业生产中的实际需求。

发明内容

发明目的：针对现有技术的不足，提供一种基于深度学习与模型仿真的相似零件识别系统、介质和方法，实现训练集自生从而缩减了制作训练样本的时间，同时快速应对不同批次的相似零件分类识别任务，得到高精度的零件识别结果。

技术方案：一种基于深度学习与模型仿真的相似零件识别方法，步骤包括：

步骤1：利用Bullet物理引擎模拟刚体零件自由落体，获取待识别零件三维模型在虚拟空间中的静态位姿；

步骤2：利用OpenGL库模拟从不同视角、光线下观察的零件静态姿态，保存所有零件在不同视角下的仿真图像；

步骤3：利用仿真图像中零件与周围环境的颜色区分度，使用OpenCV库获取仿真图像中零件的最小包围盒坐标；

步骤4：利用仿真图像、零件名称与包围盒位置信息制作图像数据集，作为YOLO4算法的训练集并进行训练；

步骤5：按照一定的间隔角度抽样提取各个视角下的相似零件仿真图像作为算法测试集，并根据测试结果保存每件相似零件的最佳识别视角图像；

步骤6：现场采集待测零件图像，并将其输入训练好的YOLO4算法；

步骤7：如果识别结果的置信度大于预设值则输出识别结果；否则，计算当前图像与该类相似零件的最佳识别视角图像之间的仿射变换矩阵，将计算结果转换为旋转角度，通过上位机控制运动转台调整零件位姿，重复步骤6，输出识别结果。