本發明提供了一種零件識別管理方法及裝置，方法包括：獲取包含待識別零件的目標圖片；通過預先訓練的零件識別模型對所述目標圖片進行識別，得到所述待識別零件的零件名稱；所述零件識別模型為神經網絡模型；根據所述零件名稱從預先建立的零件倉儲數據庫中獲得所述待識別零件的零件信息；所述零件倉儲數據庫中記錄倉庫中各個零件種類對應的零件信息；根據所述待識別零件的零件信息在倉庫中對所述待識別零件進行管理。本發明的方案可以實現快速識別零件信息、有效管理零件庫存。

技術領域

本發明涉及人工智能技術領域，特別涉及一種零件識別管理方法及裝置、電子設備。

背景技術

現代工業生產中會用到大量不同類型的零件，單個裝置或者裝備都可能具有上萬甚至更多的零件。例如一般轎車約由1萬個不可拆解的獨立零部件組裝而成，結構極其復雜的特制汽車，如F1賽車等，其獨立零部件的數量可達到2萬個之多。而一架波音747需要近600萬個零部件，而波音767和777則需要300多萬個零件。因此大部分技術人員也不可能完全認識全部的零件種類，同時大量零件的管理也是一個很大的難題，如何快速識別零件的類型信息和應用場景，如何有效管理零件的庫存是急需解決的技術問題。

發明內容

本發明的目的在于提供一種零件識別管理方法及裝置、電子設備，實現快速識別零件信息、有效管理零件庫存。具體技術方案如下：

為達到上述目的，本發明提供了一種零件識別管理方法，包括：

獲取包含待識別零件的目標圖片；

通過預先訓練的零件識別模型對所述目標圖片進行識別，得到所述待識別零件的零件名稱；所述零件識別模型為神經網絡模型；

根據所述零件名稱從預先建立的零件倉儲數據庫中獲得所述待識別零件的零件信息；所述零件倉儲數據庫中記錄倉庫中各個零件種類對應的零件信息；

根據所述待識別零件的零件信息在倉庫中對所述待識別零件進行管理。

可選的，在所述的零件識別管理方法中，所述神經網絡模型為卷積神經網絡模型或深度殘差網絡模型。

可選的，在所述的零件識別管理方法中，所述零件倉儲數據庫中存儲有各個零件的零件名稱、庫存數量、產品信息和使用說明。

可選的，在所述的零件識別管理方法中，所述零件識別模型部署在客戶端，所述客戶端設置有攝像頭以獲取包含所述待識別零件的目標圖片，所述零件倉儲數據庫設置在服務器端，所述客戶端與所述服務器端連接；

所述客戶端通過所述零件識別模型對所述目標圖片進行識別，得到所述待識別零件的零件名稱，并訪問所述服務器端的所述零件倉儲數據庫，根據所述零件名稱從所述零件倉儲數據庫中獲得所述待識別零件的零件信息，再根據所述零件信息在倉庫中對所述待識別零件進行管理。

可選的，在所述的零件識別管理方法中，所述零件識別模型和所述零件倉儲數據庫部署在服務器端；

所述目標圖片通過客戶端獲取，所述客戶端部署有預先訓練的區域識別模型；

所述客戶端通過所述區域識別模型從所述目標圖片中識別出零件區域，并對所述零件區域進行切片，將切片后的所述零件區域發送給所述服務器端進行識別。

可選的，在所述的零件識別管理方法中，當所述零件區域占所述目標圖片的比例超過第一預設閾值時，若所述目標圖片的大小不超過第二預設閾值，則直接將所述目標圖片發送給所述服務器端進行識別，否則將所述目標圖片進行壓縮處理，再將壓縮后的所述目標圖片發送給所述服務器端進行識別；或

當切片后的所述零件區域的大小超過第二預設閾值時，對切片后的所述零件區域進行壓縮處理，并將壓縮后的所述零件區域發送給所述服務器端。

可選的，在所述的零件識別管理方法中，在得到所述待識別零件的零件名稱后，還包括：