零件分类与识别方法

零件分类与识别方法

0零件分类确定在实际生产（例如，在工业生产线上的零件识别、检测和大量零件的反演中），需要识别很多零件。其原理是提前存储标准模型，在识别过程中，必须识别的零件对应于标准模型，直到安装结束。而当待识别零件较多或识别系统识别种类较多(标准模板多),则识别速度较慢甚至达不到工业适时识别的要求。为解决这一问题,笔者提出事先对零件模板进行分类,识别是先判断零件属于哪一类,然后再在相应类中进行匹配,若将零件先分成两类则匹配速度将提高1倍,依此类推若分成4类则其识别速度是原来的4倍。工业应用中零件的形状种类众多,如何正确分类及分类如何实现是一个至关重要的问题。考虑到工件识别时拍摄的是工件实体的投影图,故采用以三维实体建模零件的生成原理进行分类(即将其分成旋转类、拉伸类、扫掠类、混成类),如图1所示,这样易于提取零件图像中的主要特征,采用适合分类、具有很强的容错功能和自学习功能的BP神经网络对其实现分类。1图像的特征分析图像特征提取的目的是为了对样本进行分类以进一步识别类似工件的图像,任何一个图像都有它本身的特征,对于工件来说,可以用眼看到它具有形状、尺寸、亮度、粗糙度等特征,但分类时需计算出计算机能识别的数据才能分析如纹理等特征。根据待分类识别的图像(旋转类、拉伸类、扫掠类、混成类),计算如下特征:1.1纹理特征纹理特征是量化区域纹理内容的重要方法。(1)材料zi2pzi2pzi的计量值指亮度直方图的偏斜程度,其定义如下:u3=-l-1∑i=0(zi-m)2p(zi)u3=−∑i=0l−1(zi−m)2p(zi)其中:zi是表示亮度的一个随机变量,p(zi)是一个区域中的亮度级的直方图,i是可能的灰度级数;若直方图是对称的,则u3=0,若u3为正值,则直方图向右偏斜,若u3为负值则直方图向左偏斜。(2)平均瀑布指图像的灰度平均值。1.2归一化中心矩函数upq=∑x∑y(x-ˉx)p(y-ˉy)qf(x,y)upq=∑x∑y(x−x¯)p(y−y¯)qf(x,y)其中:ˉx=m10m00‚ˉy=m01m00,mpq=∑x∑y(x)p(y)qf(x,y),f(x,y)为图像数据矩阵函数。归一化中心矩定义为:ypq=upquγ00其中:p,q=0,1,2,…;γ=p+q2+1。1.3统一u衡量图像亮度的一致性,当所有灰度值相等时,该值最大并从此处开始减小,其定义如下u=l-1∑i=0p2(zi)1.4克林波特衡量图像亮度的随机性,其定义如下:e=-l-1∑i=0p(zi)log2p(zi)2基于改进快速学习算法的网络训练过程模拟传统BP网络的学习算法实质上是一种简单的最速下降静态寻优算法,在修正权值W(k)时,只是按照k时刻的负梯度方式进行修正,而没有考虑到以前积累的经验,即以前时刻的梯度方向,从而常常使学习过程发生振荡,通常具有收敛速度慢、易陷入局部极小值和网络推广能力不强等方面的缺陷。笔者采用改进快速学习算法——Levenberg-Marquardt优化方法,它能够根据网络训练误差变化情况,自动调节网络训练参数μ,使网络实时采取适宜的训练方法。当μ较小,网络训练过程主要依据Gauss-Newton法;当μ较大,网络训练过程主要依据梯度下降算法。该训练函数的效率优于梯度下降法。2.1网络结构及隐层节点数隐含层在BP网络中起着很重要的作用,它具有高度的抽象功能,并可从输入单元中提取特征。隐含层层数的选择与问题的复杂性有关,为了确保训练后人工神经网络模型的泛化能力和预测能力,应在满足精度要求的前提下取尽可能紧凑的网络结构。根据Kolmogrov神经网络映射存在定理,三层结构的神经网络,通过选择一定的非线性和联接强度调节规律,就可以解决任何一个信息处理问题。故本文采用3层的BP网络结构模型。隐层节点数的多少将影响网络的非线性处理能力和网络学习过程时间的长短,是网络成功的关键。实践证明,隐层节点数太少,网络容错性能差,而增加隐层节点数虽可增强网络的分析能力且收敛性能也会提高,但也会使网络训练复杂化。一般说来,隐层节点数与问题的要求、输入输出节点数的多少都有直接的关系。笔者依据这一原则,采用试凑法确定隐层节点数。2.2神经网络识别根据识别图像的特点,分析对比各特征之间的差异及相关性,选取了均值、三阶矩、一致性、熵、不变矩等5个特征向量作为神经网络的输入矢量,此次识别的图像有旋转体、拉伸体、扫掠体、混成体4类。故设定网络的输出为2个输出量,即:00,01,10,11四种,其中01表示旋转体,10表示拉伸体,11表示扫掠体,00表示混成体。2.3不同类型零件的训练误差曲线训练时每类图片分别采用了20个样本(形状、大小均不同),每个样本从3个角度拍摄图片分别计算特征值。部分样本特征值如表1所示,将此作为输入训练BP网络(隐含层为Tansig函数、输出层为Puline线性函数),其训练误差曲线如图2所示,从图中可知BP网络训练速度快。识别时旋转体、拉伸体分别找了50个零件,因实际应用中扫掠类零件较少找了20个零件、混成类更少故找了15个零件进行仿真。仿真时部分用的数据及结果如表2所示。在实际识别中只要偏差小于0.2认为识别成功。其识别正确率分别为:旋转类96%、拉伸类94%、扫掠类85%、混成类66.7%,对于识别不成功的零件进行分析发现前3类图片较模糊对其进行了去噪和均衡化处理,均得到理想结果,而混成类无论如何处理其误差始终在0.3～0.6之间,结果始终不理想,可能是特征提取不合理,考虑到混成类实际中很少见到,故可认为识别还是成功的。作者在今后的工作中将会对混成类分类的实现进行进一步的研究。3自动分类实现基于BP网络的工业零件的特征提取和实现,利用三维实体建模零件的生成原理及神经网络的自学习功能、大规模并行分布式处理功能、连续时间非线性动力学和全局集体作用,克服了实际零件形状变化多端及其特征表达的困难。实现了