本申请涉及刀具识别,特别涉及一种刀具识别方法、装置、电子设备及计算机可读存储介质。
背景技术:
1、随着制造业朝自动化、智能化方向的发展,数控加工中心的广泛使用,越来越多的加工中心辅助系统也应运而生,如机床防撞报警系统、刀具磨损监测系统。加工中心辅助系统的诞生很大程度的提升了加工效率,节约了加工成本,为企业提升了经济效益。
2、但相关技术的辅助系统无法识别刀具的类型,导致辅助系统在运行时,对不同类型的刀具的处理方法相同,例如在机床防撞报警系统中,不同类型的刀具采用相同的防撞报警阈值,从而导致出现漏报或者误报的情况。因此,亟需一种能够识别刀具类型的方法。
技术实现思路
1、本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种刀具识别方法、装置、电子设备及计算机可读存储介质,能够将刀具图像输入至预先训练好的卷积神经网络,从而确定刀具图像中的刀具类型。
2、本申请的第一方面实施例提供了一种刀具识别方法,包括:
3、获取目标刀具的刀具图像;
4、对所述刀具图像进行归一化处理;
5、将进行所述归一化处理后的所述刀具图像输入至预先训练好的卷积神经网络,得到刀具分类向量;
6、将所述刀具分类向量输入至归一化指数函数,得到归一化数组;
7、将所述归一化数组中的最大值作为识别置信度,当所述识别置信度大于预设阈值,将所述归一化数组中与所述归一化数组中的最大值对应的索引值作为所述目标刀具的标记号;所述标记号表征所述目标刀具的类型。
8、根据本申请实施例的刀具识别方法,至少具有如下有益效果:刀具识别方法先获取目标刀具的刀具图像,对刀具图像进行归一化处理,然后将进行归一化处理后的刀具图像输入至预先训练好的卷积神经网络,得到刀具分类向量;将刀具分类向量输入至归一化指数函数,得到归一化数组;将归一化数组中的最大值作为识别置信度,当识别置信度大于预设阈值,将归一化数组中与归一化数组中的最大值对应的索引值作为目标刀具的标记号,标记号能够表征目标刀具的类型信息。因此本申请示例的刀具识别方法,能够确定刀具图像中的刀具类型。
9、根据本申请的一些实施例,所述卷积神经网络的训练步骤包括:
10、获取刀具训练图像,对所述刀具训练图像进行分类,并给每种刀具类型分配所述标记号;其中,所述刀具类型与所述标记号一一对应;
11、对所述刀具训练图像进行增强处理;
12、对进行所述增强处理后的所述刀具训练图像进行所述归一化处理,得到训练集;
13、将所述训练集输入至初始的所述卷积神经网络,得到刀具训练分类向量;
14、将所述刀具训练分类向量输入至所述归一化指数函数,得到训练归一化数组;
15、根据与所述刀具训练图像对应的标记号真实分布、所述训练归一化数组、损失函数,计算得到损失值;
16、根据所述损失值对所述卷积神经网络的参数进行更新。
17、根据本申请的一些实施例,所述损失函数为:
18、
19、其中,loss为所述损失值,y为所述标记号真实分布,为所述训练归一化数组,c为所述标记号的总数量,i为0,1,...c。
20、根据本申请的一些实施例,所述将所述训练集输入至初始的所述卷积神经网络,得到刀具训练分类向量,包括:
21、将所述训练集输入至主干网络,得到图像训练特征向量;
22、将所述图像训练特征向量输入至卷积网络分类层,得到所述刀具训练分类向量。
23、根据本申请的一些实施例,所述归一化指数函数为:
24、
25、其中,为所述训练归一化数组,p(c=k)为所述刀具训练图像的所述标记号为k时的概率,zi为所述刀具训练分类向量的第i位的值,zk为所述图像训练特征向量的第k位的值,i为0,1,...c;k为0,1,...c;c为所述标记号的总数量。
26、根据本申请的一些实施例,所述对所述刀具图像进行归一化处理,包括:
27、根据所述刀具图像,计算所述刀具图像的绿色通道亮度平均值、绿色通道亮度标准差;
28、根据所述刀具图像,计算所述刀具图像的红色通道亮度平均值、红色通道亮度标准差;
29、根据所述刀具图像,计算所述刀具图像的蓝色通道亮度平均值、蓝色通道亮度标准差;
30、将每个所述刀具图像的红色通道亮度值减去所述红色通道亮度平均值,再除以所述红色通道亮度标准差;
31、将每个所述刀具图像的绿色通道亮度值减去所述绿色通道亮度平均值,再除以所述绿色通道亮度标准差;
32、将每个所述刀具图像的蓝色通道亮度值减去所述蓝色通道亮度平均值,再除以所述蓝色通道亮度标准差。
33、根据本申请的一些实施例,所述根据所述损失值对所述卷积神经网络的参数进行更新,包括:
34、采用随机梯度下降算法对所述卷积神经网络的参数进行更新。
35、本申请第二方面实施例提供了一种刀具识别装置,包括:
36、获取模块,所述获取模块用于获取目标刀具的刀具图像;
37、图像归一化模块,所述归一化模块用于对所述刀具图像进行归一化处理;
38、识别模块,所述识别模块用于将进行所述归一化处理后的所述刀具图像输入至预先训练好的卷积神经网络,得到刀具分类向量;
39、向量归一化模块,所述向量归一化模块用于将所述刀具分类向量输入至归一化指数函数,得到归一化数组;
40、标记号确定模块,所述标记号确定模块用于将所述归一化数组中的最大值作为识别置信度,当所述识别置信度大于预设阈值,将所述归一化数组中与所述归一化数组中的最大值对应的索引值作为所述目标刀具的标记号。
41、本申请第三方面实施例提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面实施例任一项所述的刀具识别方法。
42、本申请第四方面实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时第一方面实施例中任一项所述的刀具识别方法。
43、本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
1.一种刀具识别方法,其特征在于,包括:
2.根据权利要求1所述的刀具识别方法,其特征在于,所述卷积神经网络的训练步骤包括:
3.根据权利要求2所述的刀具识别方法,其特征在于,所述损失函数为:
4.根据权利要求2所述的刀具识别方法,其特征在于,所述将所述训练集输入至初始的所述卷积神经网络,得到刀具训练分类向量,包括:
5.根据权利要求4所述的刀具识别方法,其特征在于,所述归一化指数函数为:
6.根据权利要求1所述的刀具识别方法,其特征在于,所述对所述刀具图像进行归一化处理,包括:
7.根据权利要求2所述的刀具识别方法,其特征在于,所述根据所述损失值对所述卷积神经网络的参数进行更新,包括:
8.一种刀具识别装置,其特征在于,包括:
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的刀具识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的刀具识别方法。