[发明专利]一种飞机零件识别与计数方法及检测系统

权利要求书

1.一种飞机零件识别与计数方法，其特征在于，视觉检测系统采集传送带上零件图像，零件图像送入训练后零件识别模型获得零件分类标签图像，零件分类标签图像输入由多分支深度卷积网络构成的飞机零件计数模型获得零件密度图，对零件密度图进行积分得到零件估计个数。

2.根据权利要求1所述飞机零件识别与计数方法中零件识别模型训练方法，其特征在于，包括如下步骤：

1)数据采集及增强：视觉检测系统采集传送带上零件图像，零件图像再通过平移、翻转、旋转，以及随机调整亮度、对比度对零件数据进行增强，获得零件图像数据集；

2)零件数据标注：采用LabelImg标注软件对零件图像数据进行标注，框选出零件并标记各零件的名称，保存并输出标注文件，标注文件构成训练数据集，并将训练数据集划分为训练集和测试集，用于模型训练和测试验证；

3)构建零件识别网络：以DarkNet-53网络框架作为骨干网络，采用许多残差的跳层连接，DarkNet-53采用三种不同的特征尺度，对处于模型三个不同位置的目标，生成三种不同尺度的特征图，进行检测，采用滤波器对目标进行识别，空间金字塔池化作为网络颈部的附加模块，检测不同尺寸大小的目标，提取不同尺寸的空间特征信息；路径聚合网络作为网络颈部的特征融合模块，加速获取到细粒度的局部信息；

4)设置损失函数，将步骤2)训练集送入步骤3)零件识别网络进行训练，零件识别网络输出图中零件的类别名；

5)训练后零件识别网络使用测试集进行效果验证。

3.根据权利要求2所述飞机零件识别与计数方法中零件识别模型训练方法，其特征在于，所述损失函数包含三个部分：预测框的中心坐标和宽高计算的损失L_box、目标分类置信度造成的损失L_obj、目标分类结果造成的损失L_cls；所述L_box由预测框相对于标注框中心坐标的偏移以及与标注框的宽度和高度差异造成的；所述L_obj无论预测框中是否存在物体均计算分类置信度的损失，包括检测框中有物体和没有物体两部分的损失，这两部分的权重通过设定的参数λ确定；所述L_cls目标分类结果损失计算的是目标的分类类别与其真实类别之间的差异，该部分使用交叉熵函数计算损失。

4.一种用于所述飞机零件识别与计数方法中的多分支深度卷积网络，其特征在于，由大尺度卷积核、中等尺度卷积核和小尺度卷积核三个卷积网络分支组成，三个卷积网络分支分别对输入图像中不同尺寸规格零件进行特征提取，三个卷积分支提取的原始图像特征堆叠得到合并特征图，再经过一个1×1的卷积映射到密度图。

5.根据权利要求4所述多分支深度卷积网络，其特征在于，多分支深度卷积网络进行零件计算训练时使用欧式距离来衡量预测结果密度图和标记值的差异，如下式所示：

N为输入图像数量；x_i为输入图像；θ为模型中可学习的参数，用于调节整个网络训练过程；F(x_i,θ)为模型最终得到的密度图；F_i为标记值。

6.一种飞机零件检测系统，其特征在于，包括运动控制模块、图像采集处理模块和机械控制模块，所述运动控制模块包括运送零件的传送带；所述图像采集处理模块包括CCD摄像机和计算机；所述机械控制模块为可上下滑动的滑架；CCD摄像机固定在滑架上，随着滑架上下移动，CCD摄像机拍摄不同分辨率的停放在传送带上的零件图像，CCD摄像机采集的不同分辨率的零件图像送计算机，计算机通过训练好的模型识别图片中零件的类别以及个数。