一种基于卷积神经网络的工件识别方法

本发明涉及深度学习领域，尤其涉及一种基于改进后的卷积神经网络的工件识别方法。

背景技术：

1、目标检测是计算机视觉领域的基本任务，一直是学者们的研究热点。随着中国科学技术的快速发展，中国制造业开始引进计算机和机器人等各种智能技术，国家不断推出相应智能措施，我国逐渐成为智能制造强国。各行各业对应用图像视觉技术的工业自动化需求显著提升，工业级别的视觉技术应用目前已遍布各大工厂。自深度学习算法应用于目标检测任务以来，基于深度学习的目标检测算法一直都在飞速发展，不断有新的目标检测算法刷新着检测精度与速度的记录。

2、在各类工业生产中，工件是工业生产中的基本组成零件。工件的好坏直接影响到产品的质量，特别是生产规模大、产品种类多、数量多的制造企业，采用人工方式对各类产品进行检测识别和分类统计十分困难。基于深度学习的目标检测方法相较于传统目标检测方法更好，其检测的准确率更高，速度更快，现在运用深度学习的方法来开发目标检测模型已成为大势所趋。

技术实现思路

1、本发明的目的是为了解决可以在复杂工件识别环境下，实现不同工件种类的精准识别，提供了一种基于卷积神经网络的工件识别方法。其中主要对卷积神经网络进行优化处理，在yolov7卷积神经网络中增加特征分解计算模块，该模块将输入特征沿着垂直和水平方向进行分解计算，形成两个独立的方向特征图；并将yolov7卷积神经网络中的elan模块更换为conv卷积层，有效降低计算处理的负担，从而加快工件识别的精度和速度。

2、为解决以上技术问题，本发明通过以下技术方案实现：

3、一种基于卷积神经网络的工件识别方法，其特征在于包括以下执行顺序：

4、步骤1：创建数据集。通过相机和镜头，获取在复杂情况下的工件图像，包括密集分布和重叠摆放的多工件图像，对四种不同种类的工件进行数据标记，其中标记结果分别为0、1、2、3；对图像进行mosaic图像增强，在拍摄的数据集中随机选取图像进行随机裁剪、拼接、随机分布操作，将数据集扩大至7500个，其中训练集、测试集、验证集比例为8∶1∶1。

5、步骤2：改进卷积神经网络。对卷积神经网络模型进行改进，主要在网络中增加特征分解计算模块，有效地提取工件中小物体和密集物体的特征信息，进一步提高检测精度；并去除原有网络中的elan模块，将其更改为conv卷积层，原有网络中的elan模块增加了计算处理的负担，对于一些工业无法提供gpu加速的应用场景，通过conv卷积层的替换，可以在不减少计算精度的同时加快计算速度。

6、步骤3：部署并训练改进后的卷积神经网络。通过设置相关训练策略，对改进后的卷积神经网络进行训练；对原始卷积神经网络和改进后的卷积神经网络进行实验对比，得到改进数据。

7、步骤4：通过验证数据集对随机摆放的四种不同种类的工件进行识别实验，得到识别效果图。

8、与现有工件识别技术相比，本发明的有益效果是：

9、第一，本发明对卷积神经网络进行改进，在原有基础上增加特征分解计算模块，该模块进一步强化网络模型中对方向和位置等信息的敏感度，增加对工件检测的精准度；同时去除原有elan模块，使用conv卷积层进行替换，降低计算负担，加快检测速度。

10、第二，本发明改进后的卷积神经网络，降低模型难度，可以对一些无法使用gpu加速的工业场景提供便利，在增加检测精度的同时减少成本，可以广泛应用于工业检测场景。

技术特征：

1.一种基于卷积神经网络的工件识别方法，其特征在于，所述识别方法包括以下步骤：

2.根据权利要求1所述工件识别方法，其特征在于，所述步骤1创建数据集具体为，

3.根据权利要求1所述工件识别方法，其特征在于，所述步骤2改进卷积神经网络具体为，

4.根据权利要求1所述工件识别方法，其特征在于，所述步骤3部署并训练改进后的卷积神经网络操作具体为，

5.根据权利要求1所述工件识别方法，其特征在于，所述步骤4对四种不同类型并且摆放不同位置的工件进行识别实验具体为，

技术总结
本发明设计一种基于卷积神经网络的工件识别方法。对工件进行精准识别的核心是对不同目标工件的类型和位置进行准确检测，为此设计了一种改进的卷积神经网络。在原有的YOLOv7卷积神经网络中增加特征分解计算模块，并去除卷积神经网络中的Elan模块，将其替换为Conv卷积层，在不降低识别精准度的同时减少计算负担；通过改进后的卷积神经网络，对四种不同种类进行单个摆放和堆叠摆放的工件进行识别实验；本发明可以对不同工件种类和不同位置摆放的工件实现精准识别，并且改进后的网络模型，其权重、参量和计算量明显减小，mPA提高了1.8％，减少计算处理负担，加快检测速度，提高模型对小目标和密集目标的检测能力。

技术研发人员：侯勇,陈妍,毛润华
受保护的技术使用者：天津科技大学
技术研发日：
技术公布日：2024/1/13