买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京理工大学

摘要：本发明提供了一种基于改进卷积神经网络的液压泵零件齐套检测方法，首先基于基础目标检测算法，进行数据增强模块的改进及注意力机制模块的融入，加入检测结果处理模块后，建立基于改进卷积神经网络的液压泵零件齐套检测模型；接着构建多样本的液压泵零件图像数据集，利用该数据集进行液压泵零件齐套检测模型的训练，以多次调整模型参数及数据集后得到的参数数据文件，进行模型验证，得到针对配套作业过程中液压泵零件齐套检测的高性能模型；最后搭建零件齐套检测硬件系统，将模型部署于配套工位中，实现模型的实际零件齐套测试。本发明建立了针对人为因素的防错机制，保证液压泵零件的种类、数量及位置正确，提高生产效率的同时保证产品质量。

主权项：1.基于改进卷积神经网络的液压泵零件齐套检测方法，其特征在于，包括如下步骤：步骤S1.建立液压泵零件齐套检测模型：基于基础目标检测算法网络模型，建立一种改进的卷积神经网络液压泵零件齐套检测模型，包括步骤：步骤S11.选择基础目标检测算法：所述基础目标检测算法为YOLOV8s目标检测算法，网络结构包括输入端、特征提取、特征融合和检测头；在输入端输入液压泵零件图像并进行自适应缩放至640×640像素大小，通过特征提取网络得到20×20、40×40、80×80三种不同尺寸的特征图，将三种不同尺寸的特征图经过自顶向下和自底向上的路径聚合网络，进行特征融合后得到包含高层强语义信息及低层定位信息的特征图，利用检测头预测最终结果；步骤S12.改进基础算法：将YOLOV8s目标检测算法中的数据增强模块改进为Mosaic-9：选择九张不同的特征图并随机拼接成一张图像，收集该图像中的数据信息；步骤S13.建立算法模型：步骤S131.加入卷积块注意力机制模块：所述卷积块注意力机制模块由通道注意力模块和空间注意力模块组成，通道注意力模块和空间注意力模块分别通过学习每个通道的权重和每个位置的权重自适应地调整特征图中不同通道及不同位置的重要性；卷积块注意力机制模块的计算公式如下： 式中，输入特征定义为F∈RC×H×W，一维通道注意力权重定义为MC∈RC×1×1，二维空间注意力权重定义为MS∈R1×H×W，F作为通道注意力模块的输入并推导出MC，再将F与MC相乘后的结果F′作为空间注意力模块的输入并推导出MS，最终将F′与MS相乘，得到提炼后的输出特征F″；在通道注意力模块中，将输入特征F经过最大池化和平均池化，分别生成最大池化特征及平均池化特征将输入特征图大小从C×H×W变为C×1×1，再经过共享多层感知机模块，将通道数压缩后再扩张到原通道数，并进行逐元素相加获得通道注意力权重，最后通过Sigmoid函数归一化注意力权重得到MC；在空间注意力模块中，将经过通道注意力模块处理后的特征F′通过最大池化和平均池化得到最大池化特征及平均池化特征将特征图大小从C×H×W变为1×H×W，然后对两个特征图进行拼接，再通过7×7卷积及Sigmoid函数归一化注意力权重后得到MS；上述过程归纳为公式如下：MCF＝σMLPAvgPoolF+MLPMaxPoolFMSF＝σf7×7[AvgPoolF；MaxPoolF]步骤S132.加入目标检测结果处理模块：目标检测结果处理模块中定义输入为检测得到的零件种类Td、数量Qd及位置Ld，在模块中与正确的液压泵零件种类Tt、数量Qt、位置Lt进行对比，首先判断零件种类及数量是否一致，进而判断零件位置是否在A误差允许范围内，若全部无误则输出该次检测结果为正确，反之则输出该次检测结果为错误；目标检测结果处理模块的计算公式如下： 步骤S2.构建液压泵零件图像数据集：通过在配套作业实地拍摄多个液压泵零件图像，对采集的液压泵零件图像进行处理，制作液压泵零件图像数据集，包括步骤：步骤S21.液压泵零件图像采集：搭建拍摄场地，对液压泵齐套检测情况进行分类处理，包括零件齐全、零件不齐和无零件三种情况，分别对三种情况的多种型号液压泵齐套检测进行图像采集；步骤S22.液压泵零件图像标注：利用Labelme开源图像标注工具对采集的液压泵零件图像进行标注，以Json格式文件存储注液压泵零件的位置和类别信息，接着利用python脚本程序，批量读取Json文件，转换成包含类别label及归一化处理后的标注中心点X轴坐标x、标注中心点Y轴坐标y、标注宽度w、标注高度h信息的TXT文件；步骤S23.液压泵零件图像数据增强并划分数据集：利用python脚本程序，采用平移、旋转、缩放、镜像、裁剪和对比度亮度调整方式，对标注后的液压泵零件图像进行数据增强处理，同时对标注文件中零件位置信息进行调整，按照预设比例将标注后及数据增强后的液压泵零件图像进行划分，得到样本训练集及测试集，确定为液压泵零件图像数据集；步骤S3.验证液压泵零件齐套检测模型：使用液压泵零件图像数据集进行零件零件齐套检测模型的训练及测试，验证液压泵零件齐套检测模型的检测精度及速度，包括步骤：步骤S31.模型预训练：加载步骤S2中建立的液压泵零件图像数据训练集，对步骤S1中建立的液压泵零件齐套检测模型上进行预训练，模型训练迭代批次为150次，得到预训练参数数据文件；步骤S32.数据集及参数优化：使用预训练参数数据文件，检测液压泵零件图像测试集，得到初步检测结果后，针对准确率低的零件种类，进行数据集的重新采集及扩增，并重新调整模型训练参数，对步骤S1中建立的液压泵零件齐套检测模型进行重训练，模型训练迭代批次为150次；步骤S33.模型效果评估；步骤S4.测试液压泵零件齐套检测模型：搭建零件齐套检测硬件系统，将液压泵零件齐套检测模型部署于云端服务器中，通过工控机与服务器进行数据传输，实现后端零件齐套检测及前端结果显示，完成零件齐套检测方法的测试，包括步骤：步骤S41.搭建测试环境：搭建液压泵零件齐套检测硬件系统，该系统由工业相机、工控机、传送带、PLC、按钮、电机、生产载具组成；PLC读取拍照放行按钮信号及控制电机运转信号，通过工控机中的上位机软件与PLC建立以太网通信，同时利用Opencv视觉库控制工业相机，工控机与服务器间利用Fastapi通信方式建立数据传输；步骤S42.测试模型效果：使用Winform框架开发上位机软件，后端通过C#编程语言建立与PLC的通信及工业相机的控制，前端开发可视化页面，WindowsServer服务器中使用Docker技术发布Fastapi服务，在该服务中通过Python编程语言启动液压泵零件齐套检测模型，等待接收上位机软件传输的检测信号及检测图像。

全文数据：

权利要求：

百度查询： 南京理工大学 基于改进卷积神经网络的液压泵零件齐套检测方法