[发明专利]一种基于深度学习的零件实例分割识别方法

摘要

本发明公开了一种零件图象实例分割方法，包括：零件图象采集，图像预处理，构建由预处理后的图像构成的数据集；搭建零件识别平台，通过Mask R‑CNN网络对零件进行识别，得到识别结果；设定零件识别概率阈值，识别概率高于阈值判定为识别成功，否则，判定为识别失败，记录识别错误图像，计算识别准确率，完成零件识别与图像分割，并对识别错误零件进行警示。本发明识别准确度高，识别效率高。

主权项

1.一种基于深度学习的零件图像分割识别方法，包括以下步骤：（1）利用工业CCD相机对零件图像采集；（2）图像预处理：将图像归一化，利用标记软件对图像中的零件进行标记；（3）对数据集进行数据增强、划分K折（K=5）交叉验证；数据增强是对数据集中的图像进行比对度改变、随机剪裁、添加椒盐噪声；（4）加载Mask R‑CNN模型，进行权重的初始化和超参数设置；动量设为0.9，学习率设为0.001，学习率衰减系数设为0.001，最大迭代次数为50个时期（epoch），每周期迭代次数为50； （5）将图像送入卷积神经网络进行特征提取得特征图；（6）将步骤（5）得到的特征图送入RPN网络生成一系列的感兴趣区域，其中锚点设置为尺寸8*6像素，16*6像素，32*6像素，64*6像素，128*6，（0.5，1，2）3种不同比例，生成15个候选窗口，使用RoI Align策略将生成感兴趣区域像素点重新对齐；（7）进行最大池化，固定特征图大小；（8）将步骤（7）生成的特征向量送入Mask R‑CNN网络框架，分类器生成待识别零件的类别和位置信息，全卷积网络对特征图做4次卷积操作，生成14*14大小的掩码特征图，生成零件图像分割掩码，完成识别；（9）根据步骤（8）MaskR‑CNN网络输出结果，判定识别是否成功，若成功进行下一次识别，否则发出蜂鸣警告。