技术新讯 > 计算推算,计数设备的制造及其应用技术 > 面向智能制造的工业图像识别与分类算法的制作方法  >  正文

面向智能制造的工业图像识别与分类算法的制作方法

  • 国知局
  • 2024-08-05 11:43:48

本发明涉及图像识别算法,尤其涉及面向智能制造的工业图像识别与分类算法。

背景技术:

1、近年来,随着智能制造的快速发展,工业图像识别与分类算法在自动化生产中发挥着重要作用。工业图像识别与分类算法是指利用计算机视觉(computer vision,cv)技术对工业场景中的图像进行分析、处理和理解,以实现对工业产品、设备或过程的自动识别和分类。

2、传统的计算机视觉方法主要依赖于手工设计的特征提取和分类算法。这些方法通常需要专家对特定领域有深入了解,并且在处理复杂、多变的工业图像时存在一定的局限性。此外,这些方法对于新的工业场景和不同的变体可能需要重新设计和调整,导致系统的可扩展性和灵活性受到限制。

3、有监督学习是一种常用的机器学习方法,它通过使用已知标签的训练数据来构建模型。在工业图像识别与分类中,有监督学习可以通过提供标记的图像样本和相应的类别标签来训练模型。然后,该模型可以用于对新的工业图像进行分类和识别。

4、然而,传统的有监督学习方法在面对工业图像识别与分类的挑战时仍存在一些问题。例如,当工业场景中存在多样性和复杂性时,传统的有监督学习算法可能无法准确地对不同的工业图像进行分类。此外,传统的有监督学习方法通常需要大量的标记数据,而在实际工业应用中,获取大规模标记数据可能是困难和昂贵的。

5、为了解决这些问题,近年来出现了一些基于深度学习的方法,如深度卷积神经网络(deep convolutional neural networks,dcnns)。深度学习方法通过学习大量数据中的特征和模式,能够更好地处理工业图像识别与分类的挑战。它们能够自动学习图像的高级特征表示,并且在许多任务中取得了显著的性能提升。而基于深度学习的目标检测算法yolo(you only look once)在图像识别与分类中引起了广泛关注,并相对于传统计算机视觉方法和有监督学习方法具有许多优势。

6、然而,尽管深度学习方法在工业图像识别与分类中取得了重要的突破,但仍存在一些挑战。例如,当训练数据有限时,深度学习模型可能会出现过拟合的问题,导致泛化能力下降。此外,在工业图像识别与分类中,模型的可解释性和实时性也是需要考虑的重要因素。

7、因此,为了克服传统计算机视觉方法和深度学习方法的局限性,本专利交底书提出了一种面向智能制造的工业图像识别与分类算法。该算法将综合传统计算机视觉方法和有监督学习的优势,并结合了先进的深度学习技术。通过在大规模标记数据上进行训练,该算法能够自动学习工业图像的特征表示,并实现对复杂、多变的工业场景中的图像进行准确的分类和识别。同时,该算法还考虑了模型的可解释性和实时性,以满足智能制造中对高效、可靠的图像处理需求。

8、现有技术方案中,传统的计算机视觉方法通常基于手工设计的特征提取和分类算法。这些方法包括边缘检测、角点检测、纹理分析等技术,通过提取图像的特征并应用传统的机器学习算法(如支持向量机、决策树)进行分类和识别。然而,这些方法在处理复杂、多变的工业图像时可能受限于特征的表达能力和分类准确性。

9、现有技术不足:

10、1.特征的有限表达能力:传统计算机视觉方法通常依赖于手工设计的特征提取方法,这些方法可能无法捕捉到复杂、抽象的图像特征。由于特征的有限表达能力,传统方法在处理一些复杂的工业图像任务时可能无法达到理想的分类准确性。相比之下,深度学习方法可以通过自动学习特征的方式,具有更强大的表达能力,能够提取复杂图像中的高级特征。

11、2.对标记数据的依赖性:有监督学习方法通常需要大量标记数据进行模型的训练。然而,在实际工业应用中,获取大规模标记数据是一项耗时、耗力和昂贵的任务。特别是对于一些特定的工业图像分类任务,可能需要专业人员进行标记,增加了数据收集和标注的成本。此外,标记数据的质量和多样性也会对模型的性能产生影响。

12、3.对新场景的泛化能力:传统计算机视觉方法和有监督学习方法在面对新的工业场景时可能存在泛化能力不足的问题。这是因为这些方法通常是在特定的数据集上进行训练,并且对于新场景中的变化和差异性可能不具备足够的适应性。当面临新的工业图像时,这些方法可能需要重新收集和标记数据,并重新训练模型,增加了算法的复杂性和实施的难度。

技术实现思路

1、为了克服现有技术的上述缺陷,本发明提供了面向智能制造的工业图像识别与分类算法,以解决背景技术中提出的问题。

2、为了实现上述发明目的,本发明提供了面向智能制造的工业图像识别与分类算法,包括以下步骤:

3、s1:采集智能制造工业图像,对图像进行预处理,得到符合要求的图像数据;

4、s2:对上步采集到的图像进行标注,基于标注后的智能制造工业图像,获取数据集;

5、s3:采用yolov5算法对数据集进行训练,采用yolov5算法输入端功能,包括数据增强,自适应应锚框计算,图片自适应缩放;

6、s4:采用yolov5算法的backbone主干网络进行特征提取;

7、s5:采用yolov5算法的neck部分,进行特征融合,生成多尺度信息的特征图;

8、s6:获得智能制造的工业图像的识别结果。

9、进一步的,所述数据增强的步骤包括:

10、s1:在图像库中的图片上标注第一特征区域、第二特征区域和第三特

11、征区域,并保存标注信息;

12、s2:随机选择两张图像,分别为图像1和图像2;

13、s3:使用图像1的第三特征区域坐标,从图像2中提取第三特征区域的图像,将图像2中的第三特征区域的图像按照图像1第三特征区域的坐标信息进行自适应组合,获得图像1的第三特征区域组合图像;

14、s4:使用图像1的标注信息,获得第二特征区域的坐标信息;

15、s5:从图像库中随机再选择一张图片,记为图像3,使用图像3第二特征区域的坐标信息,将图像1的第三特征区域组合图像按照图像3第二特征区域的坐标信息进行自适应组合,获得图像3第二特征区域、第三特征区域组合图像。

16、进一步的,所述图像预处理包括:进行图像数据分类与标注并统一将图像调整为608*608大小,将数据集划分为训练集与测试集,训练集进行数据增强,增强方式包括随机旋转、平移和缩放,使模型对光照、尺度和视角的变化具有更好的适应性,引入正则化方法,减少模型的过拟合现象,提高泛化能力。

17、进一步的,采用大模型数据生成的技术处理所述数据集,可以生成大量的合成数据,包括正样本和负样本,让数据集能够覆盖更广泛的情况和场景,提高模型在不同条件下的表现。

18、进一步的,采用对抗生成网络处理所述数据集,通过对抗生成数据,可以增加模型在少见或异常情况下的识别能力,提高模型对不常见物体或场景的泛化能力,通过生成具有挑战性的样本来增加模型的鲁棒性和泛化性能。

19、与现有技术相比,本发明的有益效果是:

20、该发明旨在为面向智能制造的工业图像识别与分类提供一种创新算法,通过结合深度学习的yolo算法,该算法旨在提高准确性、实现实时高速处理、适应复杂场景和变体,并降低数据标注和人力成本;目标是提供一种高效、准确和成本效益的解决方案,推动智能制造发展,提升生产过程的效率和质量控制水平;

21、提高准确性:与传统计算机视觉方法和有监督学习方法相比,该发明利用yolo算法的强大特征表示能力和端到端训练机制,能够提高工业图像识别与分类的准确性;通过自动学习图像中的高级特征,该算法能够更准确地捕捉工业场景中的细节和上下文信息;

22、实现实时高速处理:该发明的另一个优点是实现实时高速的图像处理。借助yolo算法的快速检测能力和端到端的训练和推理机制,能够在保持较高准确性的同时实现快速的实时检测,适用于工业生产过程中对图像进行即时处理和决策;

23、适应复杂场景和变体:与传统方法相比,该发明具有更强的适应性,能够处理复杂场景和变体;yolo算法的鲁棒性使其能够处理光照变化、遮挡、噪声等因素带来的挑战,并能够对不同尺寸、形状和类别的目标进行准确的检测和分类;

24、降低数据标注和人力成本:相较于传统的有监督学习方法,该发明能够以端到端的方式进行训练,减少了对大量标记数据的依赖;这降低了数据收集和标注的成本,并减少了专业人员的参与,从而节省了时间和人力资源。

本文地址:https://www.jishuxx.com/zhuanli/20240802/259064.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。