CN115620042A - 一种基于目标检测和聚类的齿轮型号判定方法及判定系统 - Google Patents
一种基于目标检测和聚类的齿轮型号判定方法及判定系统 Download PDFInfo
- Publication number
- CN115620042A CN115620042A CN202211636024.7A CN202211636024A CN115620042A CN 115620042 A CN115620042 A CN 115620042A CN 202211636024 A CN202211636024 A CN 202211636024A CN 115620042 A CN115620042 A CN 115620042A
- Authority
- CN
- China
- Prior art keywords
- gear
- identification line
- model
- clustering
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于目标检测和聚类的齿轮型号判定方法及判定系统,属于汽车齿轮检测技术领域,包括:S1、获取齿轮图像,进行人工标注;S2、利用目标检测网络训练标注图像集,得到目标检测模型;S3、采集每种型号齿轮的样本,测量样本中的识别线坐标,得到识别线坐标模板;S4、首先利用目标检测模型,检测待测图像中的识别线,得到识别线集合,识别线集合中的元素为候选样本,然后使用dbscan算法对候选样本进行聚类;S5、将纵列识别线聚类的横坐标与识别线坐标模板的识别线坐标进行匹配,匹配成功则判定为两者一致;匹配不成功则判定为两者不一致;S6、将判别出的齿轮型号与真实生产中当前批次预设齿轮型号对比。
Description
技术领域
本发明属于汽车齿轮检测技术领域,具体涉及一种基于目标检测和聚类的齿轮型号判定方法及判定系统。
背景技术
随着汽车产业的不断发展,汽车传动齿轮的种类和型号日益增多,每种齿轮具有其独特的大小和形状,齿轮生产时,如果不慎将一种齿轮型号的齿轮混入了另一种齿轮型号中,将会对后续生产带来严重的安全隐患。且错误混入的齿轮不易被发现,潜在危险很高。因此,我们在对齿轮进行缺陷项目标检测时,有必要在这一步将齿轮型号混入的风险彻底排除。
目前最为主流的防止齿轮型号混入的手段仍是以人工排查为主,有经验的工人虽然可以快速确定每个齿轮所属的齿轮型号,但是依靠人力的工作效率始终有限,且随数量增加和身体疲劳会不可避免地出现错判、漏检。随着生产制造业不断认识到使用深度学习技术进行缺陷检测的重要性,越来越多的企业开始选择使用人工智能的自动化设备代替人工进行缺陷检测,而齿轮型号混入的风险就可以作为缺陷检测的一项,在这一步进行根本性的排除。
发明内容
本发明为解决公知技术中存在的技术问题,提供一种基于目标检测和聚类的齿轮型号判定方法及判定系统,利用目标检测和聚类对齿轮型号进行快速准确的识别。
本发明的第一目的是提供一种基于目标检测和聚类的齿轮型号判定方法,包括:
S1、获取齿轮图像,对齿轮上的识别线进行人工标注,得到标注图像集;
S2、利用目标检测网络训练标注图像集,得到目标检测模型;
S3、采集每种型号齿轮的M张样本,M为大于0的自然数;测量样本中每列的识别线坐标,得到每种型号齿轮的识别线坐标模板;
S4、首先利用目标检测模型,检测待测图像中的识别线,得到识别线集合,识别线集合中的元素为候选样本,然后使用dbscan算法对候选样本进行聚类,将识别线聚类为N个纵列;N为大于或等于0的整数;
S5、将N个纵列识别线聚类的横坐标与所述识别线坐标模板的识别线坐标进行匹配,匹配成功则判定为待测图像中的齿轮与识别线坐标模板的齿轮型号一致;匹配不成功则判定为待测图像中的齿轮与识别线坐标模板的齿轮型号不一致;
S6、将判别出的齿轮型号与真实生产中当前批次预设齿轮型号对比,即得到是否发生齿轮型号混入的结果。
优选地,在S4中,利用dbscan算法聚类之前,在dbscan算法中指定下列条件:
距离公式:两个样本的横坐标轴之差;
邻域半径:同一纵列识别线中横坐标的允许误差范围;
类内最小样本数。
优选地,dbscan算法聚类的过程为:
S401、以所述识别线集合为样本集合,初始化核心识别线集w, 初始化类别k=0;
S402、遍历样本集合的元素,如果是核心识别线,则将其加入到核心识别线集;
S403、若核心识别线集中所有元素都已被访问,则进入S406,否则进入S404;
S404、在核心识别线集中,随机选择一个未访问的核心识别线,首先将该核心识别线标记为已访问,然后将标记类别为k,最后将该核心识别线的邻域中未访问的所有识别线放到种子集合中;
S405、若种子集合为空,则表示该聚类簇生成完毕,核心对象自成一类,且k=k+1,并跳转到S403;否则,从该种子集合中挑选其他种子样本,将其标记为已访问,类别标记为k,然后判断该种子样本是否为核心对象,如果是,就将种子集合中所有未访问的种子样本加入到该种子集合,并继续跳转到S401;
S406、将所有识别线数量小于类内最小样本数的聚类簇舍去,至此结束。
优选地,S6的判别结果包括:
当判定齿轮型号与真实齿轮型号相符,属于正常生产;
当判定齿轮型号与真实齿轮型号不相符,且与另一预设齿轮型号相符,此时输出结果为该齿轮型号的名称,由此判定是齿轮型号错用;
当判定齿轮型号不属于任何一种预设齿轮型号时,此时输出结果为不属于任何齿轮型号;
当判定为不包含识别线,输出结果为无识别线。
本发明的第二目的是提供一种基于目标检测和聚类的齿轮型号判定系统,包括:
标注模块:获取齿轮图像,对齿轮上的识别线进行人工标注,得到标注图像集;
模型构建模块:利用目标检测网络训练标注图像集,得到目标检测模型;
识别线坐标模板构建模块:采集每种型号齿轮的M张样本,M为大于0的自然数;测量样本中每列的识别线坐标,得到每种型号齿轮的识别线坐标模板;
聚类模块:首先利用目标检测模型,检测待测图像中的识别线,得到识别线集合,识别线集合中的元素为候选样本,然后使用dbscan算法对候选样本进行聚类,将识别线聚类为N个纵列;N为大于或等于0的整数;
匹配模块:将N个纵列识别线聚类的横坐标与所述识别线坐标模板的识别线坐标进行匹配,匹配成功则判定为待测图像中的齿轮与识别线坐标模板的齿轮型号一致;匹配不成功则判定为待测图像中的齿轮与识别线坐标模板的齿轮型号不一致;
判别模块:将判别出的齿轮型号与真实生产中当前批次预设齿轮型号对比,即得到是否发生齿轮型号混入的结果。
优选地,在聚类模块中,利用dbscan算法聚类之前,首先在dbscan算法中指定下列条件:
距离公式:两个样本的横坐标轴之差;
邻域半径:同一纵列识别线中横坐标的允许误差范围;
类内最小样本数。
优选地,dbscan算法聚类的过程为:
S401、以所述识别线集合为样本集合,初始化核心识别线集w, 初始化类别k=0;
S402、遍历样本集合的元素,如果是核心识别线,则将其加入到核心识别线集;
S403、若核心识别线集中所有元素都已被访问,则进入S406,否则进入S404;
S404、在核心识别线集中,随机选择一个未访问的核心识别线,首先将该核心识别线标记为已访问,然后将标记类别为k,最后将该核心识别线的邻域中未访问的所有识别线放到种子集合中;
S405、若种子集合为空,则表示该聚类簇生成完毕,核心对象自成一类,且k=k+1,并跳转到S403;否则,从该种子集合中挑选其他种子样本,将其标记为已访问,类别标记为k,然后判断该种子样本是否为核心对象,如果是,就将种子集合中所有未访问的种子样本加入到该种子集合,并继续跳转到S401;
S406、将所有识别线数量小于类内最小样本数的聚类簇舍去,至此结束。
优选地,判别结果包括:
当判定齿轮型号与真实齿轮型号相符,属于正常生产;
当判定齿轮型号与真实齿轮型号不相符,且与另一预设齿轮型号相符,此时输出结果为该齿轮型号的名称,由此判定是齿轮型号错用;
当判定齿轮型号不属于任何一种预设齿轮型号时,此时输出结果为不属于任何齿轮型号;
当判定为不包含识别线,输出结果为无识别线。
本发明的第三目的是提供一种信息数据处理终端,用于实现上述基于目标检测和聚类的齿轮型号判定方法。
本发明的第四目的是提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述基于目标检测和聚类的齿轮型号判定方法。
本发明具有的优点和积极效果是:
1,本专利不要求目标检测模型能够100%正确检出大小识别线,对少量检出错误仍可凭借聚类算法的鲁棒性得到正确结果。这是因为dbscan算法聚类可以设定“类内最小样本数”这一参数,一些意外的误检只要达不到这一指标就会被过滤掉,不会单独成列;另外,识别线的少数漏检也不影响聚类结果。因此,本专利的鲁棒性极强。
2,本发明的目标检测过程可随其他缺陷检测一并进行,因此不增加耗时,dbscan算法聚类过程仅为毫秒级,可以忽略。因此本申请的时间成本极低,可以满足工业生产的节拍需要。
3,本发明的目标检测过程可随其他缺陷检测一并进行,因此不增加部署成本、服务器配置要求和模型训练时的工作量。
4,本专利具有极强的可扩展性,当需要检测新的齿轮型号时,不需要重新训练目标检测模型,只需测量并新增该齿轮型号的坐标信息即可正常使用。
5,本专利在项目实际应用中,正确检出率可达到100%,无漏检和过检的情况存在,值得推广。
附图说明
图1为本发明优选实施例的流程图;
图2为人工标注前的齿轮图像;
图3为人工标注后的齿轮图像;
图4为大识别线和小识别线检出效果图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下:
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的技术方案,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于目标检测和聚类的齿轮型号判定方法,为了更方便地识别每种齿轮的型号,需要提前在每种型号的齿轮表面设置不同的标识线,通过标识线的位置信息,标识线的大小信息,进而实现对不同型号齿轮的唯一性标识;为了便于理解,本优选实施例以两种标识线进行解释说明,其中一种为大识别线,另外一种为小识别线,带标识线的齿轮如图2所示;需要说明的是,识别线的类别并非仅限于大识别线和小识别线两种,在实际工作中,也可以选择单一种类的识别线或者更多种类的识别线;请参阅图1,本实施例中的齿轮型号判定方法包括如下步骤:
S1、获取齿轮图像,对齿轮上的识别线进行人工标注,得到标注图像集;在本优选实施例中:根据从实际操作中取到的齿轮图像进行人工标注,根据识别线大小,分为大识别线和小识别线(bsx_b和bsx_s)两个标签,标注效果如图3(此处以一种齿轮型号为例);此步骤的目的是:获取齿轮图像,进行人工标注,标注出识别线的矩形框,得到标注图像集;所述识别线包括大识别线和小识别线;矩形框为识别线的外接矩形,坐标误差很小;需要说明的是:识别线的大小尺寸由具体齿轮生产时决定,制造企业会规定大小识别线的具体尺寸,然后由它们的数量、位置来标识齿轮型号,如图2和图3所示,可以看到齿轮每个齿顶上都分布了3个小标识线(此为一种齿轮型号)。
S2、利用目标检测网络训练标注图像集,得到目标检测模型,目标检测模型可以将大小不同的识别线区分为不同类别;本实施例使用了yolov5单阶段目标检测网络或者faster RCNN双阶段目标检测网络来训练目标检测模型。具体使用何种目标检测网络不是本专利的重点,由于识别线的特征非常明确,任意一种主流目标检测网络均可以极高精度检出这些识别线,且都在本专利保护范围之内,使用S1中标注识别线的标注图像集将模型训练好之后,其识别效果如图4所示;
S3、采集若干每种齿轮型号的样本,测量这些样本的识别线坐标。由于设备环境是稳定的,这些样本的坐标可以代表对应齿轮型号的识别线坐标。以此原理获得每个齿轮型号的识别线坐标模板。此步骤的目的是:采集每种型号齿轮的样本M张,M为大于0的自然数;测量样本的识别线坐标,得到每种型号齿轮的识别线坐标模板;
S4、使用通过S2得到的目标检测模型,对待检图像进行检测,检出大识别线和小识别线后,使用dbscan算法聚类,将这些识别线聚类为若干纵列。即:利用目标检测模型,检测待检图像的大识别线和小识别线,得到识别线集合,识别线集合中的元素为候选样本,并使用dbscan算法进行聚类,将识别线聚类为N个纵列;N为大于或等于0的整数,需要说明的是当存在无识别线的情况时,N等于0。
利用dbscan算法聚类之前,在dbscan算法中指定下列条件:
1)距离公式:本任务中为两个样本的横坐标轴之差;每个具体的识别线为一个样本;
2)邻域半径:理论上同一纵列识别线的横坐标应完全相同,但目标检测给出的包围框不可能完全没有误差,因此要给出一定的允许误差范围。由于设备非常稳定,本实施例取20像素作为误差范围,并以此作为dbscan算法的邻域半径;
3)类内最小样本数:即聚类得到的每一类需要拥有的最小样本数,少于这个值的样本会被舍弃,本实施例中此值为5;类内最小样本数太小有可能会检出错误的识别线列,太大有可能漏掉部分识别线列。
dbscan算法聚类的具体做法是:对所有候选样本依据目标检测模型的检出置信度进行排序,并进行循环,针对每个候选样本,依据距离公式进行计算,将其他所有小于邻域半径的样本聚入此类。
dbscan具体算法过程如下:
1)以检出的识别线集合为样本集合,初始化核心识别线集w, 初始化类别k=0;
2)遍历样本集的元素,如果是核心识别线,则将其加入到核心识别线集;
3)若核心识别线集中所有元素都已被访问,则进入6),否则进入4);
4)在核心识别线集中,随机选择一个未访问的核心识别线,首先将该识别线标记为已访问,然后将它标记类别为k,最后将该识别线的邻域中未访问的所有识别线放到种子集合中。
5)若4)中得到的种子集合为空,则表示该聚类簇生成完毕,核心对象自成一类,且k=k+1,并跳转到3)。否则,从该种子集合中挑选其他种子样本,将其标记为已访问,类别标记为k,然后判断该种子样本是否为核心对象,如果是,就将种子集合中所有未访问的种子样本加入到该种子集合,并继续跳转到5)。
6)将所有识别线数量小于类内最小样本数的聚类簇舍去,至此结束。
S5、将所述纵列的横坐标与所述识别线坐标模板进行匹配,匹配成功则判定为对应齿轮型号;将S4中得到的纵列的横坐标与S3中每个齿轮型号的坐标模板进行匹配,匹配成功则可判定为对应齿轮型号;
S6、将判别出的齿轮型号与真实生产中当前批次预设齿轮型号对比,即得到是否发生齿轮型号混入的结果。将判别出的齿轮型号与真实生产中当前批次预设齿轮型号对比,即可知是否发生齿轮型号混入。
判别结果包括:
当判定齿轮型号与真实齿轮型号相符,属于正常生产;
当判定齿轮型号与真实齿轮型号不相符,且与另一预设齿轮型号相符,此时输出结果为该齿轮型号的名称,由此判定是齿轮型号错用;
当判定齿轮型号不属于任何一种预设齿轮型号时,此时输出结果为不属于任何齿轮型号;
当判定为不包含识别线,输出结果为无识别线。
一种基于目标检测和聚类的齿轮型号判定系统,包括:
标注模块:获取齿轮图像,对齿轮上的识别线进行人工标注,得到标注图像集;即对从实际操作中取到的齿轮图像中的识别线进行人工标注,标注效果如图1(此处以一种齿轮型号为例);此步骤的目的是:获取齿轮图像,进行人工标注,标注出识别线,得到标注图像集;所述识别线包括大识别线和小识别线;
模型构建模块:利用目标检测网络训练标注图像集,得到目标检测模型;本实施例使用了yolov5单阶段目标检测网络或者faster RCNN双阶段目标检测网络来训练目标检测模型。具体使用何种目标检测网络不是本专利的重点,由于识别线的特征非常明确,任意一种主流目标检测网络均可以极高精度检出这些识别线,且都在本专利保护范围之内,使用S1中标注识别线的标注图像集将模型训练好之后,其识别效果如图2所示;
识别线坐标模板建模块:采集若干每种齿轮型号的样本,测量这些样本的识别线坐标。由于设备环境是稳定的,这些样本的坐标可以代表对应齿轮型号的识别线坐标。以此原理获得每个齿轮型号的识别线坐标模板。此步骤的目的是:采集每种型号齿轮的样本M张,M为大于0的自然数;测量样本的识别线坐标,得到每种型号齿轮的识别线坐标模板;
聚类模块:在通过S2得到的目标检测模型,对待检图像进行检测,检出大识别线和小识别线后,使用dbscan算法聚类,将这些识别线聚类为若干纵列。即:利用目标检测模型,检测待测图像的大识别线和小识别线,得到识别线集合,识别线集合中的元素为候选样本,并使用dbscan算法进行聚类,将识别线聚类为N个纵列;N为大于或等于0的整数;
利用dbscan算法聚类之前,在dbscan算法中指定下列条件:
1)距离公式:本任务中为两个样本的横坐标轴之差;
2)邻域半径:理论上同一纵列识别线的横坐标应完全相同,但目标检测给出的包围框不可能完全没有误差,因此要给出一定的允许误差范围。由于设备非常稳定,本实施例取20像素作为误差范围,并以此作为dbscan算法的邻域半径;
3)类内最小样本数:即聚类得到的每一类需要拥有的最小样本数,少于这个值的样本会被舍弃,本实施例中此值为5;
dbscan算法聚类的具体做法是:对所有候选样本依据目标检测模型的检出置信度进行排序,并进行循环,针对每个候选样本,依据距离公式进行计算,将其他所有小于邻域半径的样本聚入此类
dbscan具体算法过程如下:
1)以检出的识别线集合为样本集合,初始化核心识别线集w, 初始化类别k=0;
2)遍历样本集的元素,如果是核心识别线,则将其加入到核心识别线集;
3)若核心识别线集中所有元素都已被访问,则进入6),否则进入4);
4)在核心识别线集中,随机选择一个未访问的核心识别线,首先将该识别线标记为已访问,然后将它标记类别为k,最后将该识别线的邻域中未访问的所有识别线放到种子集合中。
5)若4)中得到的种子集合为空,则表示该聚类簇生成完毕,核心对象自成一类,且k=k+1,并跳转到3)。否则,从该种子集合中挑选其他种子样本,将其标记为已访问,类别标记为k,然后判断该种子样本是否为核心对象,如果是,就将种子集合中所有未访问的种子样本加入到该种子集合,并继续跳转到5)。
6)将所有识别线数量小于类内最小样本数的聚类簇舍去,至此结束。
匹配模块:将所述纵列的横坐标与所述识别线坐标模板进行匹配,匹配成功则判定为对应齿轮型号;将S4中得到的纵列的横坐标与S3中每个齿轮型号的坐标模板进行匹配,匹配成功则可判定为对应齿轮型号;
判别模块:将判别出的齿轮型号与真实生产中当前批次预设齿轮型号对比,即得到是否发生齿轮型号混入的结果。将判别出的齿轮型号与真实生产中当前批次预设齿轮型号对比,即可知是否发生齿轮型号混入。
判别结果包括:
当判定齿轮型号与真实齿轮型号相符,属于正常生产;
当判定齿轮型号与真实齿轮型号不相符,且与另一预设齿轮型号相符,此时输出结果为该齿轮型号的名称,由此判定是齿轮型号错用;
当判定齿轮型号不属于任何一种预设齿轮型号时,此时输出结果为不属于任何齿轮型号;
当判定为不包含识别线,输出结果为无识别线。
一种信息数据处理终端,用于实现上述基于目标检测和聚类的齿轮型号判定方法。
一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述基于目标检测和聚类的齿轮型号判定方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种基于目标检测和聚类的齿轮型号判定方法,其特征在于,包括:
S1、获取齿轮图像,对齿轮上的识别线进行人工标注,得到标注图像集;
S2、利用目标检测网络训练标注图像集,得到目标检测模型;
S3、采集每种型号齿轮的M张样本,M为大于0的自然数;测量样本中每列的识别线坐标,得到每种型号齿轮的识别线坐标模板;
S4、首先利用目标检测模型,检测待测图像中的识别线,得到识别线集合,识别线集合中的元素为候选样本,然后使用dbscan算法对候选样本进行聚类,将识别线聚类为N个纵列;N为大于或等于0的整数;
S5、将N个纵列识别线聚类的横坐标与所述识别线坐标模板的识别线坐标进行匹配,匹配成功则判定为待测图像中的齿轮与识别线坐标模板的齿轮型号一致;匹配不成功则判定为待测图像中的齿轮与识别线坐标模板的齿轮型号不一致;
S6、将判别出的齿轮型号与真实生产中当前批次预设齿轮型号对比,即得到是否发生齿轮型号混入的结果。
2.根据权利要求1所述的基于目标检测和聚类的齿轮型号判定方法,其特征在于,在S4中,利用dbscan算法聚类之前,在dbscan算法中指定下列条件:
距离公式:两个样本的横坐标轴之差;
邻域半径:同一纵列识别线中横坐标的允许误差范围;
类内最小样本数。
3.根据权利要求2所述的基于目标检测和聚类的齿轮型号判定方法,其特征在于,dbscan算法聚类的过程为:
S401、以所述识别线集合为样本集合,初始化核心识别线集w, 初始化类别k=0;
S402、遍历样本集合的元素,如果是核心识别线,则将其加入到核心识别线集;
S403、若核心识别线集中所有元素都已被访问,则进入S406,否则进入S404;
S404、在核心识别线集中,随机选择一个未访问的核心识别线,首先将该核心识别线标记为已访问,然后将标记类别为k,最后将该核心识别线的邻域中未访问的所有识别线放到种子集合中;
S405、若种子集合为空,则表示该聚类簇生成完毕,核心对象自成一类,且k=k+1,并跳转到S403;否则,从该种子集合中挑选其他种子样本,将其标记为已访问,类别标记为k,然后判断该种子样本是否为核心对象,如果是,就将种子集合中所有未访问的种子样本加入到该种子集合,并继续跳转到S401;
S406、将所有识别线数量小于类内最小样本数的聚类簇舍去,至此结束。
4.根据权利要求1所述的基于目标检测和聚类的齿轮型号判定方法,其特征在于,S6的判别结果包括:
当判定齿轮型号与真实齿轮型号相符,属于正常生产;
当判定齿轮型号与真实齿轮型号不相符,且与另一预设齿轮型号相符,此时输出结果为该齿轮型号的名称,由此判定是齿轮型号错用;
当判定齿轮型号不属于任何一种预设齿轮型号时,此时输出结果为不属于任何齿轮型号;
当判定为不包含识别线,输出结果为无识别线。
5.一种基于目标检测和聚类的齿轮型号判定系统,其特征在于,包括:
标注模块:获取齿轮图像,对齿轮上的识别线进行人工标注,得到标注图像集;
模型构建模块:利用目标检测网络训练标注图像集,得到目标检测模型;
识别线坐标模板构建模块:采集每种型号齿轮的M张样本,M为大于0的自然数;测量样本中每列的识别线坐标,得到每种型号齿轮的识别线坐标模板;
聚类模块:首先利用目标检测模型,检测待测图像中的识别线,得到识别线集合,识别线集合中的元素为候选样本,然后使用dbscan算法对候选样本进行聚类,将识别线聚类为N个纵列;N为大于或等于0的整数;
匹配模块:将N个纵列识别线聚类的横坐标与所述识别线坐标模板的识别线坐标进行匹配,匹配成功则判定为待测图像中的齿轮与识别线坐标模板的齿轮型号一致;匹配不成功则判定为待测图像中的齿轮与识别线坐标模板的齿轮型号不一致;
判别模块:将判别出的齿轮型号与真实生产中当前批次预设齿轮型号对比,即得到是否发生齿轮型号混入的结果。
6.根据权利要求5所述的基于目标检测和聚类的齿轮型号判定系统,其特征在于,在聚类模块中,利用dbscan算法聚类之前,首先在dbscan算法中指定下列条件:
距离公式:两个样本的横坐标轴之差;
邻域半径:同一纵列识别线中横坐标的允许误差范围;
类内最小样本数。
7.根据权利要求6所述的基于目标检测和聚类的齿轮型号判定系统,其特征在于,dbscan算法聚类的过程为:
S401、以所述识别线集合为样本集合,初始化核心识别线集w, 初始化类别k=0;
S402、遍历样本集合的元素,如果是核心识别线,则将其加入到核心识别线集;
S403、若核心识别线集中所有元素都已被访问,则进入S406,否则进入S404;
S404、在核心识别线集中,随机选择一个未访问的核心识别线,首先将该核心识别线标记为已访问,然后将标记类别为k,最后将该核心识别线的邻域中未访问的所有识别线放到种子集合中;
S405、若种子集合为空,则表示该聚类簇生成完毕,核心对象自成一类,且k=k+1,并跳转到S403;否则,从该种子集合中挑选其他种子样本,将其标记为已访问,类别标记为k,然后判断该种子样本是否为核心对象,如果是,就将种子集合中所有未访问的种子样本加入到该种子集合,并继续跳转到S401;
S406、将所有识别线数量小于类内最小样本数的聚类簇舍去,至此结束。
8.根据权利要求6所述的基于目标检测和聚类的齿轮型号判定系统,其特征在于,判别结果包括:
当判定齿轮型号与真实齿轮型号相符,属于正常生产;
当判定齿轮型号与真实齿轮型号不相符,且与另一预设齿轮型号相符,此时输出结果为该齿轮型号的名称,由此判定是齿轮型号错用;
当判定齿轮型号不属于任何一种预设齿轮型号时,此时输出结果为不属于任何齿轮型号;
当判定为不包含识别线,输出结果为无识别线。
9.一种信息数据处理终端,其特征在于,用于实现权利要求1至4任一项所述基于目标检测和聚类的齿轮型号判定方法。
10.一种计算机可读存储介质,其特征在于,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1至4任一项所述基于目标检测和聚类的齿轮型号判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636024.7A CN115620042B (zh) | 2022-12-20 | 2022-12-20 | 一种基于目标检测和聚类的齿轮型号判定方法及判定系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636024.7A CN115620042B (zh) | 2022-12-20 | 2022-12-20 | 一种基于目标检测和聚类的齿轮型号判定方法及判定系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115620042A true CN115620042A (zh) | 2023-01-17 |
CN115620042B CN115620042B (zh) | 2023-03-10 |
Family
ID=84881000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211636024.7A Active CN115620042B (zh) | 2022-12-20 | 2022-12-20 | 一种基于目标检测和聚类的齿轮型号判定方法及判定系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620042B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013221845A (ja) * | 2012-04-16 | 2013-10-28 | Mitsubishi Heavy Ind Ltd | 歯車検査装置及び方法 |
CN104331885A (zh) * | 2014-10-29 | 2015-02-04 | 电子科技大学 | 一种基于投票线聚类的圆形目标检测方法 |
CN111001935A (zh) * | 2020-01-03 | 2020-04-14 | 神龙汽车有限公司 | 汽车变速箱齿轮总成全自动压装焊接装备 |
CN111563880A (zh) * | 2020-04-08 | 2020-08-21 | 华南理工大学 | 一种基于目标检测与聚类的横突棘突检测定位方法 |
CN112101433A (zh) * | 2020-09-04 | 2020-12-18 | 东南大学 | 一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法 |
CN114862821A (zh) * | 2022-05-25 | 2022-08-05 | 中关村芯海择优科技有限公司 | 继电保护硬压板的自动化监测方法、系统、设备 |
CN115334227A (zh) * | 2022-10-18 | 2022-11-11 | 菲特(天津)检测技术有限公司 | 齿轮图像获取装置、方法及齿轮图像获取方法、电子设备 |
-
2022
- 2022-12-20 CN CN202211636024.7A patent/CN115620042B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013221845A (ja) * | 2012-04-16 | 2013-10-28 | Mitsubishi Heavy Ind Ltd | 歯車検査装置及び方法 |
CN104331885A (zh) * | 2014-10-29 | 2015-02-04 | 电子科技大学 | 一种基于投票线聚类的圆形目标检测方法 |
CN111001935A (zh) * | 2020-01-03 | 2020-04-14 | 神龙汽车有限公司 | 汽车变速箱齿轮总成全自动压装焊接装备 |
CN111563880A (zh) * | 2020-04-08 | 2020-08-21 | 华南理工大学 | 一种基于目标检测与聚类的横突棘突检测定位方法 |
CN112101433A (zh) * | 2020-09-04 | 2020-12-18 | 东南大学 | 一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法 |
CN114862821A (zh) * | 2022-05-25 | 2022-08-05 | 中关村芯海择优科技有限公司 | 继电保护硬压板的自动化监测方法、系统、设备 |
CN115334227A (zh) * | 2022-10-18 | 2022-11-11 | 菲特(天津)检测技术有限公司 | 齿轮图像获取装置、方法及齿轮图像获取方法、电子设备 |
Non-Patent Citations (1)
Title |
---|
李东宾 等: "基于YOLOv4和聚类分析的变电站压板识别方法", 《河南省电机工程学会2021年度优秀科技论文评审会议》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115620042B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951925B (zh) | 数据处理方法、装置、服务器及系统 | |
CN111798312B (zh) | 一种基于孤立森林算法的金融交易系统异常识别方法 | |
CN111028016A (zh) | 销量数据预测方法、装置以及相关设备 | |
CN109901996B (zh) | 辅助测试的方法、装置、电子设备及可读存储介质 | |
CN108614895B (zh) | 异常的数据访问行为的识别方法及数据处理装置 | |
CN110647913A (zh) | 基于聚类算法的异常数据检测方法及装置 | |
CN108897765A (zh) | 一种数据批量导入方法及其系统 | |
CN115620042B (zh) | 一种基于目标检测和聚类的齿轮型号判定方法及判定系统 | |
CN111863135B (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
CN108229586B (zh) | 一种数据中的异常数据点的检测方法及系统 | |
CN115831219A (zh) | 一种质量预测方法、装置、设备及存储介质 | |
CN113032514B (zh) | 兴趣点数据处理方法及装置 | |
CN115801538A (zh) | 场站服务器应用资产深度识别方法、系统及设备 | |
CN115494431A (zh) | 一种变压器故障告警方法、终端设备和计算机可读存储介质 | |
CN105824871B (zh) | 一种图片检测方法与设备 | |
CN112328951B (zh) | 一种分析样品的实验数据的处理方法 | |
CN112632469A (zh) | 业务交易数据的异常检测方法、装置及计算机设备 | |
CN111310792A (zh) | 一种基于决策树的药敏实验结果识别方法与系统 | |
CN112379656A (zh) | 工业系统异常数据的检测的处理方法、装置、设备和介质 | |
CN110265086A (zh) | 一种基因检测方法和装置 | |
CN111612023A (zh) | 一种分类模型构建方法及装置 | |
CN115237739B (zh) | 板卡运行环境的分析方法、装置、设备及可读存储介质 | |
CN112765011B (zh) | 质控状态判定方法、装置及电子设备 | |
CN114911881A (zh) | 一种电子地图更新方法、装置及地图云平台 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |