[发明专利]基于卷积神经网络和双向长短期记忆的插针定位方法

说明书

本发明公开了一种基于卷积神经网络和双向长短期记忆的插针定位方法，该方法通过采用VGG‑16网络从图像中提取边缘点特征；然后开发一个转换模块以生成序列信息，并采用双向LSTM来增强模型的抗噪能力；最后，采用完全连接层来输出最终的预测结果。接插件图像中的噪声和低分辨率是影响插针定位的两个关键因素。通过使用深度学习进行插针图像的边缘提取和插针的定位，利用卷积神经网络对图像的边缘特征进行提取，能最大限度的保证低分辨率图像边缘信息的充分利用，更能准确的定位插针的边缘位置。双向LSTM具有根据上下文的信息处理当前信息的能力，而边缘点由于具有逻辑联系，其前后值几乎没有变化，双向LSTM能进一步优化边缘位置并忽略噪声的影响，从而使得插针定位精度的进一步提高。

技术领域

本发明涉及深度学习领域，具体是一种基于卷积神经网络和双向长短期记忆的插针定位方法。

背景技术

接插件是一种使用极其广泛的电子元器件，有电子设备就有接插件的存在。我国是接插件生产大国，目前我国的接插件生产方式既有家庭小作坊式的，也有比较先进的现代化生产线，但由于生产和管理水平有很大的不同，使产品质量和可靠性的差别也比较大，产生质量水平参差不齐。据调查，国内市场上多数的接插件可靠性较差，淘汰率较高。这种现象的存在主要是由于接插件体积小、精密度高，传统的人工检测达不到如此高的欧冠也是，而市面上已有的接插件检测设备也因为其高昂的价格，让诸多小规模生产企业难以承受，从而导致检测能力上不去，直接影响了产品质量。

近年来，卷积神经网络(CNN)在计算机视觉领域上取得了巨大的成功，包括特征提取、分类和回归。基于CNN的模型使用反向传播直接从数据中学习网络参数，具有更多隐藏层，这就意味着更强大的非线性拟合能力。VGG具有10多个隐藏层，更小的滤镜尺寸和更强大的特征提取能力。然后，图像噪声可能会影响预测效果，而长短期记忆(LSTM)因其在分析序列信息方面的出色性能而被提出来解决该问题。

LSTM是一种广泛使用的深度学习算法，旨在处理和分析序列数据。LSTM是基于递归神经网络(RNN)开发的。传统的RNN具有长期依赖的问题，当相关信息之间的差距增大时，则无法连接信息。LSTM通过保留或丢失信息的不同门结构避免了长期依赖性问题。此外，双向LSTM模型融合了前向传播LSTM和反向传播LSTM，以连接上下文的信息。在此情况下，一幅图像中边缘点的位置与前和后都有关系。因此，双向LSTM是进一步优化边缘位置的更合适的选择。对于可能影响边缘点提取的图像噪声，双向LSTM可以从不受影响的相邻边缘点学习边缘信息，以纠正不正确的预测结果。

已有的插针检测方法主要缺点为：使用传统的Canny、Sobel、Robert等像素级边缘检测方法对接插件图像进行边缘提取，边缘提取不准确，面对小型接插件等精密度高的器件无法提供有效检测检测精度。

发明内容

本发明的目的是为了克服现有技术的不足，而提供一种基于卷积神经网络和双向长短期记忆的插针定位方法，该方法能在图像分辨率的限制下进一步提高尺寸测量的精度，同时具备较高的精度和抗噪声能力。

实现本发明目的的技术方案是：

一种基于卷积神经网络和双向长短期记忆的插针定位方法，包括如下步骤：

(1)利用VGG-16网络模型从图像中提取边缘点特征；

(2)设置一个转换模块与VGG-16网络模块、双向LSTM网络模型连接，通过VGG-16计算出n组数据，输出特征为n个一维矢量，双向LSTM的输入为具有n个矩的时序，通过转换模块将提取的特征转换为序列数据；

(3)引入双向LSTM网络模型，访问过去的上下文信息，并获取接下来的上下文信息，一幅图像中的n个边缘点具有逻辑联系，其值与向前和向后的值几乎没有变化，LSTM的输入是时序，对于任何时候的输入，LSTM单元中都有三个步骤：