[发明专利]一种飞机零件识别与计数方法及检测系统

说明书

本发明涉及一种飞机零件识别与计数方法及检测系统，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。本发明可以大幅度提高飞机零件识别与计数效率，避免人为识别与计数或者传统识别计数方法造成的误差；同时不需要其他的成本投入，只需使用摄像头提取飞机零件平铺图像，通过软件算法对图片进行处理即可。

技术领域

本发明涉及一种检测技术，特别涉及一种飞机零件识别与计数方法及检测系统。

背景技术

现有的大型民用飞机通常由数以万计的零件组装而成，飞机零件具有品种多、批量小、尺寸各异及曲线和曲面外形复杂等特点。目前，针对飞机零件的识别与计数任务大多采取人工比对的方式进行，由于飞机零件种类繁多，一些零件之间的区分度很小，人工分类计数方式不仅可靠性较差、识别准确性难以保证，而且工作效率低、强度高。

受传统视觉算法的性能所限，大规模的飞机零件识别与计数是一个至今无法得到有效解决的问题。由于计算机硬件的快速发展，硬件水平有所提升，近几年相关领域的研究重点就是将人工神经网络应用到工业化的生产领域中。深度学习模型性能优越，可以实现大规模的零件识别与计数，但它在飞机零件识别与计数应用也存在着瓶颈：各个飞机零件目标重叠与遮挡，尺寸各异以及光照强度存在差异等复杂条件因素干扰的情况下，传统上的目标检测与计数算法准确率不高、结果误差大，识别速度达不到预期水平。

发明内容

针对飞机零件智能识别计数问题，提出了一种飞机零件识别与计数方法及检测系统，基于特征金字塔的目标检测网络训练飞机零件识别模型，通过训练好的飞机零件识别模型识别传送带上的零件，输出传送带上零件的类别名。

本发明的技术方案为：一种飞机零件识别与计数方法，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。

一种飞机零件识别与计数方法中零件识别模型训练方法，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。

进一步，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。