基于深度学习自动判别同类异类产品方法

摘要

本发明提供了一种基于深度学习自动判别同类异类产品方法，包括：训练阶段和检测阶段，所述训练阶段包括以下步骤：将同一种类产品图像放置在相同文件目录下，并以产品型号命名文件夹对应产品目录；将加载图像的大小和通道数归一化，加载模式为随机配对组合；随机抽取数据，将其中N*80％作为训练集，剩下的作为验证集；开始训练，直至训练周期数达到设置周期数后结束训练；找出验证集中测试最优的网络模型，并将该模型设为最终检测模型。本发明基于深度学习开发出自动判别当前批次产品是否为同类产品系统，目前已成功应用在轮胎装配自动化现场，成本低廉，操作简便，大大提高生产效率。

权利要求

1.一种基于深度学习自动判别同类异类产品方法，其特征在于，包括：训练阶段和检测阶段，所述训练阶段包括以下步骤：

步骤1，将同一种类产品图像放置在相同文件目录下，并以产品型号命名文件夹对应产品目录；

步骤2，将加载图像的大小和通归一化，设置好产品最大组合数N，加载模式为随机配对组合，且所有组合之间数据未有重复，直至组合数达到N为止，每个组合相同类别组合的数据标签置为0、不同类别的置为1；

步骤3，随机抽取数据，将其中N*80％作为训练集，剩下的作为验证集；

步骤4，设置批处理数量及训练周期等参数；

步骤5，开始训练，在每一周期训练过程会统计每一批次标签为0和1的分类准确率和损失值，直至该周期内所有批次计算完毕并保存该周期的训练模型参数；

步骤6，下一周期，迭代并更新模型每一节点的权重，重复步骤5，直至训练周期数达到设置周期数后结束训练；

步骤7，找出验证集中测试最优的网络模型，并将该模型设为最终检测模型；

所述检流程包括以下步骤：

步骤a：初始化，加载保存的网络模型，加载待检测的事先采集好的每一种类单张标准模板图像；

步骤b：输入参考模板图像和当前测试图像，将其归一化，通过模型输出对应的值来判别当前产品属于同类或异类；

步骤c：如果判别为异类，设备报警并由机械手自动抓取并放置一旁，同类则设备正常运行；

步骤d：重复上述步骤b和c，直至该批物料检测结束，期间可根据需要人为暂停或停止检测。

2.根据权利要求1所述的方法，其特征在于，所述随机配对组合通过下述方式进行：相同目录或不同目录选取图像，相同目录组合的两张图像可以相同。

3.根据权利要求1所述的方法，其特征在于，所述步骤2中，所有组合的排列顺序在训练过程中随机打乱，以防止训练后的模型发生过拟合现象。

说明书

基于深度学习自动判别同类异类产品方法

技术领域

[0001] 本发明涉及图像识别领域，特别涉及一种基于深度学习自动判别同类异类产品方法。

背景技术

[0002] 在传统工业产线现场，为避免其他产品混入，经常需要人工检视或利用传统算法(颜色或轮廓匹配等)判别有无其他产品混入，另外人工在工作一段时间后受个人态度情绪影响较大，效率不高。此外，传统算法需要经常根据当前产品类型来定制化开发，相机镜头一般也需要做出相应调整，现场需专业化人员操作，成本也较为高昂，一套系统无法兼容市面上多种产品类型。

发明内容

[0003] 本发明提供了一种基于深度学习自动判别同类异类产品方法，以解决至少一个上述技术问题。

[0004] 为解决上述问题，作为本发明的一个方面，提供了一种基于深度学习自动判别同类异类产品方法，包括：训练阶段和检测阶段，

[0005] 所述训练阶段包括以下步骤：

[0006] 步骤1，将同一种类产品图像放置在相同文件目录下，并以产品型号命名文件夹对应产品目录；

[0007] 步骤2，将加载图像的大小和通道数归一化，设置好产品最大组合数N，加载模式为随机配对组合，且所有组合之间数据未有重复，直至组合数达到N为止，每个组合相同类别组合的数据标签置为0、不同类别的置为1；

[0008] 步骤3，随机抽取数据，将其中N*80％作为训练集，剩下的作为验证集；

[0009] 步骤4，设置批处理数量及训练周期等参数；

[0010] 步骤5，开始训练，在每一周期训练过程会统计每一批次标签为0和1的分类准确率和损失值，直至该周期内所有批次计算完毕并保存该周期的训练模型参数；

[0011] 步骤6，下一周期，迭代并更新模型每一节点的权重，重复步骤5，直至训练周期数达到设置周期数后结束训练；

[0012] 步骤7，找出验证集中测试最优的网络模型，并将该模型设为最终检测模型；

[0013] 所述检测流程包括以下步骤：

[0014] 步骤a：初始化，加载保存的网络模型，加载待检测的事先采集好的每一种类单张标准模板图像；

[0015] 步骤b：输入参考模板图像和当前测试图像，将其归一化，通过模型输出对应的值来判别当前产品属于同类或异类；

[0016] 步骤c：如果判别为异类，设备报警并由机械手自动抓取并放置一旁，同类则设备正常运行；

[0017] 步骤d：重复上述步骤b和c，直至该批物料检测结束，期间可根据需要人为暂停或停止检测。

[0018] 优选地，所述随机配对组合通过下述方式进行：相同目录或不同目录选取图像，相同目录组合的两张图像可以相同。

[0019] 优选地，所述步骤2中，所有组合的排列顺序在训练过程中随机打乱，以防止训练后的模型发生过拟合现象。

[0020] 本发明基于深度学习开发出自动判别当前批次产品是否为同类产品系统，目前已成功应用在轮胎装配自动化现场，成本低廉，操作简便，大大提高生产效率。

附图说明

[0021] 图1示意性地示出了本发明的流程图。

具体实施方式

[0022] 以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

[0023] 本发明提供了一种基于深度学习自动判别同类异类产品方法，其算法通用性强，不受产品类型影响，对相机镜头光源要求不高，仅需一批同类型产品和少量可能混入的异类图像样本用来训练和验证。

[0024] 本发明技术方案采用双图像输入，对比现有技术中的常规深度学习单输入模式来说，本发明有很大进步和创新，检测阶段现场实际判别准确率可达100％。

[0025] 本发明的具体步骤如下：

[0026] 首先，是训练阶段，其包括：

[0027] 步骤1：将同一种类产品图像放置在相同文件目录下，并以产品型号(必须唯一)命名文件夹对应产品目录；

[0028] 步骤2：训练开始前会将加载图像归一化到128*128大小3通道，设置好产品最大组合数N，加载模式为随机配对组合(相同目录或不同目录选取图像，相同目录组合的两张图像可以相同)，且所有组合之间数据未有重复，直至组合数达到N为止，为便于计算，每个组合相同类别组合的数据标签置为0，不同类别的置为1，所有组合的排列顺序在训练过程中随机打乱，可防止训练后的模型发生过拟合(用训练的数据模型检测效果很好，实际生产过程中模型检测效果很差)现象；

[0029] 步骤3：随机抽取数据将其中N*80％作为训练集，剩下的作为验证集；

[0030] 步骤4：设置批处理数量及训练周期等参数；

[0031] 步骤5：开始训练，每一周期训练过程中会统计每一批次标签为0和1的分类准确率和损失值，直至该周期内所有批次计算完毕并保存该周期的训练模型参数；

[0032] 步骤6：下一周期，迭代并更新模型每一节点的权重，重复步骤5，直至训练周期数达到设置周期数后结束训练；

[0033] 步骤7：找出验证集中测试最优的网络模型，并将该模型设为最终检测模型。

[0034] 其次是，检测流程，其包括：

[0035] 步骤1：初始化，加载保存的网络模型，加载待检测的事先采集好的每一种类单张标准模板图像；

[0036] 步骤2：输入参考模板图像和当前测试图像，将其归一化，通过模型输出对应的值来判别当前产品属于同类或异类；

[0037] 步骤3：如果判别为异类，设备报警并由机械手自动抓取并放置一旁，同类则设备正常运行；

[0038] 步骤4：重复上述步骤2和3，直至该批物料检测结束，期间可根据需要人为暂停或停止检测。

[0039] 下面，以一个具体的实施方式，对训练流程进行详细说明：

[0040] 为提高训练速度一般将同一批次批处理数量设为大于1如64；为便于区分定义，每一批次输入的图像A(产品1)和B(产品1)、A和A，A和C(产品2)、A和D(产品3)、B和C、C和D或其他种类(不同或相同)，结合顺序和组合是随机打乱的。

[0041] 另外，相同种类的组合可以是两张相同图像，如第一批次组合为AB,AC，AD,CD...，第二批次组合为AC,BA,AA,CC,DC...，假设设置的组合数最大值为N(一般大于1000并小于50000),每一相同和不同种类彼此结合的个数在同一批次中也是不定的，同类结合的标签为0，异类结合的标签为1，计算每一批次标签为0和1分类准确率和损失值，不断循环此过程直至所有批次数累加组合数达到N，可得到一个周期内完整的训练模型。以上为每个训练周期的训练流程，迭代此过程，可得到每个周期内相应的网络模型，最终通过验证测试方法选取满足生产要求的模型。

[0042] 本发明中的上述算法并不需要经常根据当前产品类型来定制化开发，也不需要对相机镜头做出相应调整，操作起来十分简单、成本低，通用性好，可更好地兼容市面上的各种产品类型。

[0043] 本发明基于深度学习开发出自动判别当前批次产品是否为同类产品系统，目前已成功应用在轮胎装配自动化现场，成本低廉，操作简便，大大提高生产效率。

[0044] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。