【技术实现步骤摘要】
本专利技术涉及航空航天液压泵装配过程质量管控领域，尤其涉及一种基于改进卷积神经网络的液压泵零件齐套检测方法。
技术介绍
1、航空航天液压泵是航空航天装备的重要组成部分，为液压系统提供持续的压力和流量供给，具有结构复杂、零组件种类繁多、装配过程质量管控严格的特点。在航空航天液压泵的装配过程中，存在反复装配及分解与多次试验的工序，初次装配后液压泵的零件之间存在联系性，若与其它液压泵零件混用，会影响产品质量，因此工艺要求建立零件管控手段，即在装配作业前进行液压泵的配套作业。配套作业是指将整个液压泵产品或组件的所有零件放置在托盘容器（痕迹管理盒）中，组成一套满足装配作业需求的零件。而通过人工检查零件是否配套齐全的检测过程，称为齐套检测。
2、传统配套作业通过人工核对零件种类及数量，检测效率低下，且人工目检造成视觉疲劳，易导致零件遗漏、错放等问题，影响产品质量。当液压泵进行了缺乏质量把控的齐套检测，在后续装配过程中会出现缺少零件、零件混淆等问题，此时整台液压泵需进行下线处理，极大影响了装配效率及装配质量。
技术实现思路
1、本专利技术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，以解决
技术介绍
中提出的技术问题。
2、本专利技术解决上述技术问题采用的技术方案为：
3、基于改进卷积神经网络的液压泵零件齐套检测方法，包括如下步骤：
4、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
5、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。
6、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。
7、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。
8、作为本专利技术的进一步优选，所述步骤s1的具体步骤为：
9、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。
10、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，可以在一张图像中获得更多的数据信息，同时增加小目标物体的数量，并且变相提高了单批次训练数据的数量，减轻了计算量。
11、s13.建立算法模型：
12、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：
13、，
14、式中，输入特征定义为，一维通道注意力权重定义为，二维空间注意力权重定义为，f作为通道注意力模块的输入并推导出，再将f与相乘后的结果作为空间注意力模块的输入并推导出，最终将与相乘，得到提炼后的输出特征。
15、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变为，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；
16、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，将特征图大小从变为，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；上述过程归纳为公式如下：
17、，
18、，
19、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、数量及位置，在模块中与正确的液压泵零件种类、数量、位置进行对比，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：
20、
21、作为本专利技术的进一步优选，所述步骤s2的具体步骤为：
22、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。
23、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。
24、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、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。
25、作为本专利技术的进一步优选，所述步骤s3的具体步骤为：
26、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。
27、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，针对准确率较低的零件种类，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。
28、s33.模型效果评估：加载模型参数文件，使用液压泵零件齐套检测模型，在液压泵零件图像验证集上检测，使用iou阈值为0.5时平均精确率map@0.5及不同iou阈值上的平均精确率map@0.95作为评价指标，得出其准确率满足使用需求；其中，不同iou的阈值为0.5~0.95，步长为0.05；平均精确率map的计算公式如下本文档来自技高网...
【技术保护点】
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：
2.根据权利要求1所述的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，所述步骤S1的具体步骤为：
3.根据权利要求2所述的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，所述步骤S2的具体步骤为：
4.根据权利要求3所述的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，所述步骤S3的具体步骤为：
5.根据权利要求4所述的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，所述步骤S4的具体步骤为：
【技术特征摘要】
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：
2.根据权利要求1所述的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，所述步骤s1的具体步骤为：
3.根据权利要求2所述的基于改进卷积神经网络的液压泵零件齐套检测方法，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。