在中国大力发展制造业,向建立工业强国、制造业强国的发展目标下,中国的工业生产模式正由小规模、多人工、低效率全面转向大规模自动化、安全可靠的生产模式,生产的规模和业务线种类日益增加,同时不断提出工业界的新标准,在工业生产中不断提出新名词:工业4.0,同步工程,大数据技术等等。智能仓储提出目的是有效解决工业生产和库存中物料、产品的快速流转问题,智能仓储不同于以往的旧式存储方式,旧式存储获取仓储中物料信息需要耗费更多的人工和精力。大量的工业物料和零件快速存取和识别、库存信息的维护是仓储管理技术的重点和难点。为了解决形状各异的工业零件和物料种类识别和数量管理等问题,本文提出一种基于多模型融合的多侧面联合识别工业零件的方法,主要分为两个阶段:第一阶段是采用神经网络提取同一零件的多张侧面特征形成第一阶段的类别预测,第二阶段是BP神经网络进行多个模型预测结果的学习。单模型的预测对特定种类有偏好,不能对所有种类都达到很好的预测效果,所以使用多模型的方法进行预测。使用多种方式对第一阶段的多张侧面预测结果进行融合组合成新的特征,送入到第二阶段的BP神经网络进行预测产生最终结果,在自建100类零件的数据集中平均正确率由88.5%提升到98%,具有较好的效果。本文的主要内容有:1.本文改进了现有的多通道采集系统。因为工业物料和零件品类繁多,个别零件差异较小,具有多侧面相似性,提取算法很难提取到关键特征进行识别。针对工业生产物料及零件本身的特征和人工采集图像慢的缺点,改进现有的多通道视觉采集系统,使现有采集系统更加易用且更具效率,用此系统采集数据集作为实验对象。2.设计一系列的预处理方法的流程,减少图像本身质量问题给深度学习模型带来的误差。通过高斯模糊、二值化、边缘检测、裁剪的方法,找出零件的主体部分,去除背景的影响,可以有效地降低图像运算的复杂度,提取到更有效的特征。使用数据增强的方法对零件数据集扩充,包括图像整体向四个方向偏移,对图像施加平面上的镜像操作,以及顺时针和逆时针的旋转操作来增加训练集的数量大小。3.本论文基于模型融合的思想提出两种模型解决当前单深度学习模型预测精度不够高的问题,同时可以解决零件高度相似的分类问题。两种模型使用分类准确率最高的Densenet网络作为底层特征抽取器,进行第一层预测,将多张零件数据传送到模型获取预测结果,将预测结果通过多种方式进行重构特征,将重构特征结果输入到第二层的BP神经网络模型得到最终结果。经过试验表明采用多特征融合的多阶段预测模型,在零件数据集上准确度有了较大的提升。