[发明专利]使用多个图像进行零件识别和评估的系统和方法

说明书

一种使用多个图像进行对象识别的方法(100)。该方法包括训练对象识别模型(102)。训练该模型包括收集多个对象中的每一个的训练图像(202)，用多个对象识别符中对应的一个来标记多个训练图像中的每一个(206)，以及用多个标记的训练图像来训练神经网络(208)。目标对象的至少两个目标图像被接收并馈送到训练的对象识别模型中(104)。该方法还包括针对至少两个目标图像中的每一个从训练的对象识别模型接收对应于目标对象的对象识别符和对象识别符对应于目标对象的概率(106)。计算至少两个目标图像之间的相似度值(108)，并且与相似度值成比例地组合至少两个目标图像的概率(110)。

技术领域

本专利申请涉及机器维护，并且更具体地涉及零件识别和评估。

背景技术

随着设备使用，某些零件逐渐磨损，并且当零件出现故障或其磨损到开始降低设备性能的程度时，应当更换。有时难以识别磨损的零件，因为某些识别特征可能已经磨损，零件编号可能被机器上的其他零件遮蔽，和/或零件变脏。在制造过程中，零件可能被贴错标签，导致混淆和增加成本。

例如，已经努力使用图像识别来识别零件，以验证正确的零件用于更换，并验证从供应商接收的零件被正确地标记。图像识别还可以用于检测新的零件和使用过的零件中的缺陷。图像识别技术是已知的，并且已经开发了一些方法来识别对象，例如零件。

例如，授予Sharma等人(下文中称为“Sharma”)的美国专利第10,664,722号描述了一种训练神经网络以用于对例如在超市中可能遇到的大量对象进行分类的方法。该方法包括将训练图像分配到与其对应的多个桶或池，该分配包括将例示第一对象类的训练图像分配到第一桶，以及将例示第二对象类的训练图像分配到第二桶。该方法还包括在描绘特定对象类的对象的训练图像内发现热点摘录，该热点摘录对于神经网络对图像的分类比该训练图像内的另一摘录更重要。通过将该热点摘录的副本覆盖在背景图像上并将新图像分配给不与该特定对象类相关联的存储桶来创建新图像。在训练周期期间将新图像呈现给神经网络，其中将新图像呈现给神经网络具有降低热点摘录在对描绘该特定对象类的对象的图像进行分类中的重要性的效果。

作为另一个实例，授予Ghafoor等人(称为“Ghafoor”)的美国专利公开第2019/0392318号描述了一种用于训练计算神经网络以从图像中识别对象和/或动作的系统。该系统包括训练单元，该训练单元被配置成接收从一个或多个相机捕获的多个图像，每个图像具有指示该图像被捕获的时间的相关联的时间戳。图像识别单元被配置成从多个图像中识别图像的集合，每一个图像具有时间戳，该时间戳与来自数据流的与对象和/或动作相关联的时间戳相关。数据标记单元被配置成根据图像的时间戳与来自数据流的与对象和/或动作相关联的时间戳之间的相关性，为该图像集合中的每个图像确定指示图像描绘一个或多个指定对象类的集合中每一个类型的对象和/或指定人类动作的概率的图像标记。

Sharma和Ghafoor都致力于通过操纵用于训练图像识别模型的训练图像集来改进图像识别方法。因此，Sharma和Ghafoor的方法和系统增加了开发图像训练集的已经耗时的任务的复杂性。

因此，仍然有机会提高用于零件识别和评估的图像识别的准确性。本文所述的示例系统和方法旨在克服上述缺陷中的一个或多个。

发明内容

在一些实施例中，一种用于使用多个图像进行对象识别的方法可以包括通过以下操作来训练对象识别模型：收集多个对象中的每一个的多个训练图像以及用多个对象识别符中对应的一个来标记多个训练图像中的每一个。训练对象识别模型可以包括用多个标记的训练图像来训练神经网络。该方法还可以包括接收目标对象的至少两个目标图像，以及将该至少两个目标图像中的每一个馈送到训练的对象识别模型中，以便针对该至少两个目标图像中的每一个接收对应于目标对象的目标对象识别符以及该目标对象识别符对应于该目标对象的概率。该方法可以包括计算至少两个目标图像之间的相似度值，与相似度值成比例地组合至少两个目标图像的概率，以及将目标对象识别为目标对象识别符。