本發(fā)明涉及裝配連接件識(shí)別方法，尤其涉及一種裝配連接件圖像特征深度學(xué)習(xí)與識(shí)別方法。

背景技術(shù)：

裝配指按規(guī)定的技術(shù)要求，將零件或部件進(jìn)行配合連接，使之成為半成品或成品的工藝過(guò)程。裝配是產(chǎn)品制造工藝的重要工序，裝配的好壞，對(duì)產(chǎn)品的質(zhì)量起決定性作用。討論裝配質(zhì)量，是在所有裝配零件均為合格品、安裝正確的前提條件下進(jìn)行的，故在檢測(cè)產(chǎn)品裝配質(zhì)量之前，必須檢查有無(wú)錯(cuò)裝和漏裝的零件。由于裝配零件、聯(lián)接件多，裝配檢測(cè)對(duì)象多樣化，對(duì)檢測(cè)技術(shù)的準(zhǔn)確性、一致性與實(shí)時(shí)性提出了更高的要求與挑戰(zhàn)。

實(shí)現(xiàn)裝配零部件、連接件檢測(cè)的經(jīng)典機(jī)器視覺(jué)檢測(cè)方法主要有：基于固有特征的識(shí)別方法與基于匹配的檢測(cè)方法?；诠逃刑卣鞯淖R(shí)別方法專用性強(qiáng)、靈活性較差，若改變應(yīng)用對(duì)象，則必須由專業(yè)視覺(jué)檢測(cè)人員設(shè)置檢測(cè)特征，如汽車(chē)活塞裝配質(zhì)量視覺(jué)檢測(cè)系統(tǒng)(zl201010543006.5)可一次性自動(dòng)對(duì)汽車(chē)活塞頂面字符，活塞環(huán)裝配，石墨層完整性等內(nèi)容進(jìn)行基于數(shù)字圖像的視覺(jué)檢測(cè)；視覺(jué)檢測(cè)方法(201610496560.x)使得在檢測(cè)待檢品的圖像上的圓時(shí)可以提高圓心和半徑提取的準(zhǔn)確度以及速度，進(jìn)而提高提取效率；汽車(chē)剎車(chē)主缸活塞表面質(zhì)量機(jī)器視覺(jué)檢測(cè)裝置(201210348279.3)能實(shí)現(xiàn)自動(dòng)完成活塞表面質(zhì)量缺陷的快速檢測(cè)，給出表面質(zhì)量的檢測(cè)結(jié)果。基于固有特征的識(shí)別方法對(duì)特定的零部件檢測(cè)效果好，若對(duì)象變化，則必須由專業(yè)視覺(jué)檢測(cè)人員重新檢測(cè)特征，靈活性較差?；谄ヅ涞臋z測(cè)方法可以靈活性較強(qiáng)，對(duì)于未提前設(shè)定好的情況無(wú)法檢出，限制了其使用范圍。本發(fā)明專利利用深度學(xué)習(xí)提取裝配連接件圖像特征，可以實(shí)現(xiàn)裝配工序的各種連接件自動(dòng)識(shí)別，由人工指定樣本位置與類型即可自動(dòng)學(xué)習(xí)后進(jìn)行識(shí)別，實(shí)現(xiàn)面向不同工件的智能、綜合裝配質(zhì)量檢測(cè)。

技術(shù)實(shí)現(xiàn)要素：

為解決上述技術(shù)問(wèn)題，本發(fā)明的目的是提供一種裝配連接件圖像特征深度學(xué)習(xí)與識(shí)別方法。

本發(fā)明的目的通過(guò)以下的技術(shù)方案來(lái)實(shí)現(xiàn)：

一種裝配連接件圖像特征深度學(xué)習(xí)與識(shí)別方法，包括以下步驟：

步驟a樣本采集階段，包括采集合格圖像序列(i1,i2…in)，由檢測(cè)人員指定檢測(cè)樣本范圍sc、樣本類型c(sc)，計(jì)算水平方向最大位移與垂直方向最大位移構(gòu)建協(xié)訓(xùn)練矩陣mx、my，獲取協(xié)樣本集sc；

步驟b樣本深度學(xué)習(xí)階段，包括將協(xié)樣本集sc輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并計(jì)算協(xié)樣本集的偏差矩陣pc，修改協(xié)訓(xùn)練矩陣并多次迭代使協(xié)偏差矩陣p⁽ⁱ⁾滿足閾值要求；并記錄下卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及各層權(quán)重；

步驟c識(shí)別階段，包括將欲識(shí)別的樣本s輸入深度學(xué)習(xí)階段得到的卷積神經(jīng)網(wǎng)絡(luò)，并可輸出其類別c(s)。

與現(xiàn)有技術(shù)相比，本發(fā)明的一個(gè)或多個(gè)實(shí)施例可以具有如下優(yōu)點(diǎn)：

本發(fā)明提供的方法可以實(shí)現(xiàn)裝配工序的各種連接件自動(dòng)識(shí)別，由人工指定樣本位置與類型即可自動(dòng)學(xué)習(xí)后進(jìn)行識(shí)別，實(shí)現(xiàn)面向不同工件的智能、綜合裝配質(zhì)量檢測(cè)。

附圖說(shuō)明

圖1是裝配連接件圖像特征深度學(xué)習(xí)與識(shí)別方法流程圖；

圖2是裝配連接件圖像特征深度學(xué)習(xí)程序流程圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合實(shí)施例及附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)的描述。

如圖1所示，為裝配連接件圖像特征深度學(xué)習(xí)與識(shí)別方法流程，所述方法包括如下步驟：

步驟1樣本采集階段，采集合格圖像序列(i1,i2…in)，由檢測(cè)人員指定檢測(cè)樣本范圍sc、樣本類型c(sc)，計(jì)算水平方向最大位移與垂直方向最大位移構(gòu)建協(xié)訓(xùn)練矩陣mx、my，獲取協(xié)樣本集sc。

步驟2樣本深度學(xué)習(xí)階段，將協(xié)樣本集sc輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并計(jì)算協(xié)樣本集的偏差矩陣pc，修改協(xié)訓(xùn)練矩陣并多次迭代使協(xié)偏差矩陣p⁽ⁱ⁾滿足閾值要求；記錄下這時(shí)候的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及各層權(quán)重。

步驟3識(shí)別階段，將欲識(shí)別的樣本s輸入深度學(xué)習(xí)階段得到的卷積神經(jīng)網(wǎng)絡(luò)，將可輸出其類別c(s)。

如圖2所示，上述步驟1樣本采集階段具體包括：

采集合格圖像序列(i1,i2…in)指設(shè)計(jì)合適的圖像采集裝置與限位裝置，使采集到的圖像序列(i1,i2…in)清晰且定位誤差符合設(shè)計(jì)要求。

水平方向最大位移與垂直方向最大位移采用canny邊緣檢測(cè)算子對(duì)樣本sc進(jìn)行邊緣檢測(cè)，檢測(cè)到邊緣的最小外接矩形到樣本左、右、下、上邊緣的最小距離即分別為水平方向最大位移與垂直方向最大位移

若協(xié)樣本集sc樣本有i×j個(gè)，則在(-1,1)的范圍內(nèi)隨機(jī)取i×j個(gè)權(quán)重生成協(xié)訓(xùn)練矩陣mx、my，分別為：

則樣本集sc為：

上述步驟2樣本深度學(xué)習(xí)階段具體包括：

對(duì)于訓(xùn)練完成后的卷積神經(jīng)網(wǎng)絡(luò)，輸入樣本s′c_ij輸出的激勵(lì)向量vc_ij，則樣本s′c_ij的偏差pc_ij為：

樣本集sc的偏差矩陣pc為：

當(dāng)pc中所有的元素均符合閾值要求，即認(rèn)為學(xué)習(xí)完畢，記錄下這時(shí)候的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及各層權(quán)重。

雖然本發(fā)明所揭露的實(shí)施方式如上，但所述的內(nèi)容只是為了便于理解本發(fā)明而采用的實(shí)施方式，并非用以限定本發(fā)明。任何本發(fā)明所屬技術(shù)領(lǐng)域內(nèi)的技術(shù)人員，在不脫離本發(fā)明所揭露的精神和范圍的前提下，可以在實(shí)施的形式上及細(xì)節(jié)上作任何的修改與變化，但本發(fā)明的專利保護(hù)范圍，仍須以所附的權(quán)利要求書(shū)所界定的范圍為準(zhǔn)。