基于改进自适应遗传算法优化特征向量的零件识别方法与流程

1.本发明涉及机器视觉技术领域领域，具体是指一种基于改进自适应遗传算法优化特征向量的零件识别方法。


背景技术：

2.随着现代科技的发展,现代化工业生产对制造精度更高、效率更快、智能化更高的先进制造技术要求越来越迫切；机器视觉技术具有快速性、可重复性、智能化、非接触、现场抗干扰能力强等优点。总体上，基于机器视觉的零件识别方法可以分为传统视觉识别方法和深度学习识别方法。基于深度学习的识别方法，在训练神经网络时，需要拍摄大量的训练样本，难以满足柔性生产线的检测要求。
3.传统的机器视觉检测方法中，较为常见的是通过提取图像的轮廓信息和灰度信息获得钣金件的面积、周长、不变矩等参数，以此构成特征向量进行识别。当对工业零件进行机器视觉检测时，尤其是针对一些相似零件，由于轮廓信息和灰度信息高度相似，导致直接使用面积，周长，不变矩等特征参数进行比较的方法已经无法准确检测出零件的正确信息。针对不同形状特征的零件，需要一种针对性强、准确而高效的识别方法。
4.目前，现有公开号为cn110866894a的中国专利，公开了一种基于机器视觉技术的跨粒度的钣金件识别系统及方法，其提出通过人工视觉引导的方式将高相似度飞机钣金件调整至可区分的视角。其基于机器视觉的零件识别方法在识别的过程中存在着计算复杂度高、识别精度低等问题。同时，在各个领域零件的识别任务存在着相似的问题。


技术实现要素：

5.本发明的目的在于提供一种适用性强、计算复杂度低、识别准确且高效的基于改进自适应遗传算法优化特征向量的零件识别方法。
6.本发明通过下述技术方案实现：基于改进自适应遗传算法优化特征向量的零件识别方法，包括以下步骤：
7.(1)依次拍摄所有待识别目标零件，获得所有待识别目标零件的图像，并对所有待识别目标零件图像进行预处理；
8.(2)提取预处理后所有待识别目标零件图像的特征参数，组成所有待识别目标零件的初始特征向量；
9.(3)设置未知权重参数，令其与提取的所有待识别目标零件图像的特征参数相乘，获得所有待识别目标零件的加权特征向量，以任意两两零件之间的加权特征向量的欧式距离之和构建适应度目标函数；
10.(4)将构建的适应度目标函数带入自适应遗传算法，得到所有优化后的目标权值，将目标权值带入个所有零件的初始特征向量，得到所有优化后的加权特征向量；
11.(5)对目标零件进行图像拍摄，提取该目标零件的加权特征向量，通过比较目标零件图像与其他零件的优化后的加权特征向量之间的欧式距离，得出识别结果。
12.本技术方案的工作原理为，使用机器视觉相关技术，提出了一种面向基于图像特征信息的零件识别的参数优化方法；首先，拍摄待识别目标零件的图像，并进行降噪、二值化等图像预处理；接着，采用机器视觉技术，采集预处理后零件图像的特征参数，再组成对应零件的初始特征向量；接着，建立以任意两两零件之间加权特征向量欧式距离之和的适应度目标函数；进而通过改进的自适应遗传算法迭代优化各特征参数的权重；最后，在零件识别过程中通过比较待识别零件的图像与零件图像的加权特征向量的欧式距离，得出识别结果。该方法可有效提高基于特征向量的零件图像识别算法的稳定性，且可根据计算结果优化特征向量维数，从而缩减识别响应时间。
13.为了更好地实现本发明的方法，进一步地，所述步骤(1)中，待识别目标零件采用工业相机进行拍摄，所述工业相机的型号为avt mako g-158b，成像分辨率1456像素x1088像素，搭配使用焦距为8mm的工业相机镜头。
14.为了更好地实现本发明的方法，进一步地，所述步骤(1)中对获得的待识别目标零件图像的预处理包括对图片的降噪处理和二值化处理。
15.为了更好地实现本发明的方法，进一步地，所述步骤(2)提取预处理后所有待识别目标零件图像的特征参数，组成所有待识别目标零件的初始特征向量的具体过程为：
16.(2.1)提取其中一个待识别目标零件预处理后的图像，通过传统机器视觉处理手段获取描述其图像特征的特征参数，并由此得到该待识别目标零件的初始特征向量；。
17.(2.2)重复步骤(2.1)的过程，获取全部待识别目标零件的初始特征向量。
18.为了更好地实现本发明的方法，进一步地，所述步骤(2.1)中的特征参数包括表述图像特征的形状不变因子与几何不变矩。
19.为了更好地实现本发明的方法，进一步地，所述步骤(3)构造的适应度目标函数为：
[0020][0021]
其中，j＝1,2,
……
,m表示特征参数的序号，i＝1,2,
……
,n表示零件序号，ki为权重参数，v
ki
为加权特征向量。
[0022]
为了更好地实现本发明的方法，进一步地，所述步骤(4)的具体过程为：
[0023]
(4.1)初始化种群，并根据当前种群平均适应度设置改进自适应遗传算法的变异率与交叉率；
[0024]
(4.2)设置dropout机制：通过将权重随机置零的方式，自发地探索使用较少特征参数表征各类零件差异性的组合，从而提升识别速度；
[0025]
(4.3)设置最优保存策略：在杂交和变异过程中，如果子代的最小适应值不小于父系的最小适应值，则随机淘汰子代中的单个个体，以保存父系中的最佳个体，使更接近真实值的参数更有可能被带入下一代。
[0026]
为了更好地实现本发明的方法，进一步地，所述步骤(5)的具体过程为：
[0027]
(5.1)采集当前待识别零件图像，并进行降噪、二值化等图像预处理；
[0028]
(5.2)提取当前待识别钣金件图像的特征参数；
[0029]
(5.3)得到优化后的目标权值带入当前待识别零件图像的特征参数，得到当前待识别钣金件的加权特征向量；
[0030]
(5.4)计算当前待识别钣金件的加权特征向量与得到的各零件的加权特征向量之间的欧式距离，将欧式距离最小的零件对应的编号输出，即为识别结果。
[0031]
本发明与现有技术相比，具有以下优点及有益效果：
[0032]
(1)本发明提取表征图像特征的形状不变因子与几何不变矩，不仅具有较好的零件族间可分性，同时具有较强的鲁棒性；
[0033]
(2)本发明通过改进自适应遗传算法构造加权特征向量，进一步提高了特征识别算法的稳定性，抑制了因特征向量距离过小造成的识别异常；
[0034]
(3)本发明通过改进自适应遗传算法，实现了自适应特征向量维数，从而缩减实际过程中的识别响应时间，最终实现对零件准确高效的识别过程。
附图说明
[0035]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更为明显：
[0036]
图1为本发明所述方法的流程图；
[0037]
图2为本实施例4中p1零件的图例；
[0038]
图3为本实施例4中p2零件的图例；
[0039]
图4为本实施例4中p3零件的图例；
[0040]
图5为本实施例4中p4零件的图例；
[0041]
图6为本实施例4中p5零件的图例；
[0042]
图7为本实施例4中p6零件的图例；
[0043]
图8为本实施例4中p7零件的图例；
[0044]
图9为本实施例4中p8零件的图例。
具体实施方式
[0045]
为使本发明的目的、工艺条件及优点作用更加清楚明白，结合以下实施实例，对本发明作进一步详细说明，但本发明的实施方式不限于此，在不脱离本发明上述技术思想情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的范围内，此处所描述的具体实施实例仅用以解释本发明，并不用于限定本发明。
[0046]
实施例1：
[0047]
本实施例的提供基于改进自适应遗传算法优化特征向量的零件识别，用于优化基于特征向量的零件图像识别算法。
[0048]
其具体流程，如图1所示，具体如下：
[0049]
步骤一：首先进行钣金件图像录入，以同一检测批次的所有钣金件为目标，依次利用工业相机采集目标零件的图像pi，进行降噪、二值化等图像预处理，其中i＝1,2,
……
,n表示零件序号。
[0050]
步骤二：利用数字图像算法提取目标零件的图像pi的特征参数c
ij
(c
i1
，c
i2
，......，c
ij
)，得到特征向量vi，其中i＝1,2,
……
,n表示零件序号,j＝1,2,
……
,m表示特征参数的序号。
[0051]
步骤三：将步骤二中得到的特征参数c
ij
分别与预设的未知权重参数kj(k1，
k2，......，kj)相乘，从而组成加权特征向量v
ki
，并将两两零件的加权特征向量欧式距离之和构造适应度目标函数f(k1，k2，......，kj)，其中i＝1,2,
……
,n表示零件序号,j＝1,2,
……
,m表示特征参数的序号。
[0052]
步骤四：将上述适应度目标函数带入改进的自适应遗传算法，得到优化后的目标权值k
dj
(k
d1
，k
d2
，......，k
dj
)，并将其带入各零件的特征向量组成优化后的加权特征向量v
di
，其中i＝1,2,
……
,n表示零件序号,j＝1,2,
……
,m表示优化后的特征参数序号。
[0053]
步骤五：最后进行钣金件识别，拍摄当前待识别钣金件图像p0，提取其加权特征向量v
d0
，通过比较与目标零件图像的加权特征向量的距离，得出识别结果。
[0054]
所述的步骤二具体为：
[0055]
2.1、将步骤一中得到的预处理后的图像pi，通过传统机器视觉处理手段获取描述其图像特征的形状不变因子与几何不变矩，统称特征参数c
ij
，并由此得到对应的特征向量v
ij
，其中i＝1,2,
……
,n表示零件序号,j＝1,2,
……
,m表示特征参数的序号；
[0056]
2.2、重复上述步骤，直到获取所有图像的特征向量。
[0057]
所述的步骤三具体为：
[0058]
3.1、将步骤二中得到的特征参数c
ij
分别与权重参数kj相乘，从而组成加权特征向量v
di
；
[0059]
3.2、计算两两加权特征向量之间欧式距离之和；以该代数和构造遗传算法的适应度目标函数f(k1，k2，......，kj),其中j＝1,2,
……
,m表示特征参数的序号；
[0060]
所述的步骤四具体为：
[0061]
4.1、初始化种群，并根据当前种群平均适应度设置改进自适应遗传算法的变异率pm与交叉率pc；
[0062]
4.2、设置dropout机制：通过将权重随机置零的方式，自发地探索使用较少特征参数表征各类零件差异性的组合，从而提升识别速度；
[0063]
4.3、设置最优保存策略：在杂交和变异过程中，如果子代的最小适应值不小于父系的最小适应值，则随机淘汰子代中的单个个体，以保存父系中的最佳个体。这样，更接近真实值的参数更有可能被带入下一代；
[0064]
所述的步骤五具体为：
[0065]
5.1、保持与步骤一相同的拍摄条件，采集当前待识别钣金件图像p0，并进行降噪、二值化等图像预处理。
[0066]
5.2、使用步骤二中的方法，提取当前待识别钣金件图像的特征参数c
0j
，其中j＝1,2,
……
,m表示特征参数的序号。
[0067]
5.3、将步骤四中得到优化后的目标权值k
dj
带入当前待识别钣金件图像的特征参数c
0j
，得到当前待识别钣金件的加权特征向量v
d0
，其中j＝1,2,
……
,m表示特征参数的序号。
[0068]
5.4、计算当前待识别钣金件的加权特征向量v
d0
与步骤四中得到的各零件的加权特征向量v
di
之间的欧式距离，其中i＝1,2,
……
,n表示零件序号，将欧式距离最小的零件对应的编号输出，即为识别结果。
[0069]
实施例2：
[0070]
本实施例在上述实施例的基础上，进一步限定了步骤三的具体过程：
[0071]
所述的步骤三具体为：
[0072]
3.1、将步骤二中得到的特征参数c
ij
分别与预设的未知权重参数kj相乘，从而组成加权特征向量v
di
；
[0073]
3.2、计算两两加权特征向量之间欧式距离之和；以该代数和构造遗传算法的适应度目标函数f(k1，k2，......，kj),其中j＝1,2,
……
,m表示特征参数的序号,其具体适应度目标函数如下所示：
[0074][0075]
实施例3：
[0076]
本实施例在上述实施例的基础上，进一步限定了步骤四的具体内容：
[0077]
4.1、初始化种群，并根据当前种群平均适应度设置改进自适应遗传算法的变异率pm与交叉率pc，其具体形式如下所示：
[0078][0079][0080]
其中，f
ave
、f
max
分别表示种群平均适应度值与种群最大适应度值，0.5作为评价种群集中趋势的依据。q1、q2、q3、q4是用于调整变异率与交叉率的系数；
[0081]
4.2、设置dropout机制：通过将权重随机置零的方式，自发地探索使用较少特征参数表征各类零件差异性的组合，从而提升识别速度。
[0082]
4.3、设置最优保存策略：在种群杂交和变异过程中，如果子代的最小适应值不小于父代的最小适应值，则随机淘汰子代中的单个个体，以保存父代中的最佳个体。从而使得更接近真实值的参数更有可能被带入下一代。
[0083]
实施例4：
[0084]
本实施例在上述实施例的基础上，进行具体零件识别：
[0085]
使用一个avt mako g-158b相机作为零件图像采集设备，成像分辨率1456像素x1088像素，搭配使用焦距为8mm的工业相机镜头。本实施实例对以下8种零件采集顶视角图像，提取并获取8组10维向量ci(c1，c2，......，c
10
)，如下表1所示。p1～p8的零件图例如图2～9所示。
[0086]
表一 组零件图像提取的特征参数
[0087]
编号p1p2p3p4p5p6p7p8c16.5096.3734.8424.9860.7080.7030.3510.341c2(
×
103)7.1856.7624.7005.0641.4781.4050.8130.819c3(
×
103)1.2531.2640.5530.5340.1880.1860.1860.189
c4(
×
103)1.8001.7751.7721.8450.6200.6140.2740.262c5(
×
103)1.0641.0580.8230.8320.2750.2730.1420.143c62.1162.0133.0573.1592.4852.5251.5311.064c70.6960.7120.3120.2900.3030.3030.6780.719c85.8885.8906.2036.2346.7656.7617.2337.250c912.39412.42612.61012.67513.99413.97716.52816.806c100.0850.1000.1190.1150.2240.2250.2330.233
[0088]
针对本例，使用本文提出的改进的自适应遗传算法，设置最大迭代次数为300，每一代种群个体数为320，控制交叉、变异操作的相关系数q1、q2、q3、q4分别等于0.45,0.38,0.05,0.08，随机dropout参数数量不大于7，当满足两两零件加权特征向量间的欧式距离大于其自身加权向量长度的3％时停止迭代。
[0089]
迭代完成后，得到的目标权值ki＝[0，0，0.002，0，0，10.725，0，0，0.219，0]，优化后的非零加权特征参数如下表2所示。经计算，使用本方法可以使得两两零件加权特征向量间的欧式距离均大于自身加权向量长度的3.4％，从而确保了零件的可分性。
[0090]
表二 零件图像优化后的加权特征参数
[0091]
编号p1p2p3p4p5p6p7p8c3d2.5062.5281.1061.0680.3760.3720.3720.378c6d22.69421.58932.78633.88026.65227.08116.42011.411c9d2.7142.7212.7622.7763.0653.0613.6203.681
[0092]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

技术特征：
1.基于改进自适应遗传算法优化特征向量的零件识别方法，其特征在于，包括以下步骤：(1)依次拍摄所有待识别目标零件，获得所有待识别目标零件的图像，并对所有待识别目标零件图像进行预处理；(2)提取预处理后所有待识别目标零件图像的特征参数，组成所有待识别目标零件的初始特征向量；(3)设置未知权重参数，令其与提取的所有待识别目标零件图像的特征参数相乘，获得所有待识别目标零件的加权特征向量，以任意两两零件之间的加权特征向量的欧式距离之和构建适应度目标函数；(4)将构建的适应度目标函数带入自适应遗传算法，得到所有优化后的目标权值，将目标权值带入个所有零件的初始特征向量，得到所有优化后的加权特征向量；(5)对目标零件进行图像拍摄，提取该目标零件的加权特征向量，通过比较目标零件图像与其他零件的优化后的加权特征向量之间的欧式距离，得出识别结果。2.根据权利要求1所述的基于改进自适应遗传算法优化特征向量的零件识别方法，其特征在于，所述步骤(1)中，待识别目标零件采用工业相机进行拍摄，所述工业相机的型号为avt mako g-158b，成像分辨率1456像素x1088像素，搭配使用焦距为8mm的工业相机镜头。3.根据权利要求1或2所述的基于改进自适应遗传算法优化特征向量的零件识别方法，其特征在于，所述步骤(1)中对获得的待识别目标零件图像的预处理包括对图片的降噪处理和二值化处理。4.根据权利要求1或2所述的基于改进自适应遗传算法优化特征向量的零件识别方法，其特征在于，所述步骤(2)提取预处理后所有待识别目标零件图像的特征参数，组成所有待识别目标零件的初始特征向量的具体过程为：(2.1)提取其中一个待识别目标零件预处理后的图像，通过传统机器视觉处理手段获取描述其图像特征的特征参数，并由此得到该待识别目标零件的初始特征向量；。(2.2)重复步骤(2.1)的过程，获取全部待识别目标零件的初始特征向量。5.根据权利要求4所述的基于改进自适应遗传算法优化特征向量的零件识别方法，其特征在于，所述步骤(2.1)中的特征参数包括表述图像特征的形状不变因子与几何不变矩。6.根据权利要求1或2所述的基于改进自适应遗传算法优化特征向量的零件识别方法，其特征在于，所述步骤(3)构造的适应度目标函数为：其中，j＝1,2,
……
,m表示特征参数的序号，i＝1,2,
……
,n表示零件序号，k
i
为权重参数，v
ki
为加权特征向量。7.根据权利要求1或2所述的基于改进自适应遗传算法优化特征向量的零件识别方法，其特征在于，所述步骤(4)的具体过程为：(4.1)初始化种群，并根据当前种群平均适应度设置改进自适应遗传算法的变异率与交叉率；
(4.2)设置dropout机制：通过将权重随机置零的方式，自发地探索使用较少特征参数表征各类零件差异性的组合，从而提升识别速度；(4.3)设置最优保存策略：在杂交和变异过程中，如果子代的最小适应值不小于父系的最小适应值，则随机淘汰子代中的单个个体，以保存父系中的最佳个体，使更接近真实值的参数更有可能被带入下一代。8.根据权利要求1或2所述的基于改进自适应遗传算法优化特征向量的零件识别方法，其特征在于，所述步骤(5)的具体过程为：(5.1)采集当前待识别零件图像，并进行降噪、二值化等图像预处理；(5.2)提取当前待识别钣金件图像的特征参数；(5.3)得到优化后的目标权值带入当前待识别零件图像的特征参数，得到当前待识别钣金件的加权特征向量；(5.4)计算当前待识别钣金件的加权特征向量与得到的各零件的加权特征向量之间的欧式距离，将欧式距离最小的零件对应的编号输出，即为识别结果。

技术总结
本发明公开了基于改进自适应遗传算法优化特征向量的零件识别方法，包括以下步骤：1)依次拍摄所有待识别目标零件，并对获取图像进行预处理；2)提取图像的特征参数，获得初始特征向量；3)设置未知权重参数，令其与特征参数相乘，获得加权特征向量，构建适应度目标函数；4)通过自适应遗传算法，得到所有优化后的加权特征向量；5)该目标零件的加权特征向量，通过比较目标零件图像与其他零件的优化后的加权特征向量之间的欧式距离，得出识别结果。本发明具有较好的零件族间可分性，同时具有较强的鲁棒性，提高了特征识别算法的稳定性，实现了自适应特征向量维数，从而缩减实际过程中的识别响应时间，最终实现对零件准确高效的识别过程。程。程。


技术研发人员：邓涛 李志强 张方哲 马争 郝千驹
受保护的技术使用者：成都飞机工业（集团）有限责任公司
技术研发日：2023.04.20
技术公布日：2023/7/28