CN113674300B - 用于cnc自动测量的模型训练方法、测量方法及系统、设备、介质 - Google Patents

用于cnc自动测量的模型训练方法、测量方法及系统、设备、介质 Download PDF

Info

Publication number
CN113674300B
CN113674300B CN202110975050.1A CN202110975050A CN113674300B CN 113674300 B CN113674300 B CN 113674300B CN 202110975050 A CN202110975050 A CN 202110975050A CN 113674300 B CN113674300 B CN 113674300B
Authority
CN
China
Prior art keywords
feature
cnc
image
shallow
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110975050.1A
Other languages
English (en)
Other versions
CN113674300A (zh
Inventor
许晨彬
胡文千
张洪斌
曹葵康
蔡雄飞
刘明星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Tztek Precision Co ltd
Tztek Technology Co Ltd
Original Assignee
Suzhou Tztek Precision Co ltd
Tztek Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Tztek Precision Co ltd, Tztek Technology Co Ltd filed Critical Suzhou Tztek Precision Co ltd
Priority to CN202110975050.1A priority Critical patent/CN113674300B/zh
Publication of CN113674300A publication Critical patent/CN113674300A/zh
Application granted granted Critical
Publication of CN113674300B publication Critical patent/CN113674300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种用于CNC自动测量的模型训练方法、CNC自动测量方法及系统、终端设备、存储介质，该方法包括获取带有标签信息的图像样本，其中，所述图像样本包括CNC件图像，所述标签信息包括所述CNC件图像上对应标注的轮廓信息；基于所述图像样本训练分割模型；该模型训练方法基于CNC件图像及其对应标注的轮廓信息进行分割模型训练，在训练过程中进行多层卷积与池化操作得到深层语义特征，基于深层语义特征进行训练得到分割模型，提高模型训练的分割效果。

Description

用于CNC自动测量的模型训练方法、测量方法及系统、设备、 介质
技术领域
本申请涉及CNC自动测量技术领域，尤其涉及一种用于CNC自动测量的模型训练方法、测量方法及系统、终端设备、存储介质。
背景技术
CNC(Computerized Numerical Control，计算机数控)全自动尺寸测量是工业视觉领域非常重要的一个环节，测量精度需要达到微米级，这其中涉及到了诸多技术，例如自动对焦、自动边缘提取、影像合成等等AI技术。虽然目前CNC自动测量技术得到了飞速发展，但是要实现CNC的全自动测量仍然任重道远。
由于计算机硬件设备的飞速发展，机器学习与深度学习技术成为近些年来人工智能领域中最为火热的一门技术，各行各业都因人工智能带来的便利得到快速发展，例如：人脸识别、机器翻译、智能家居等。如何将深度学习技术应用于CNC自动测量是急需要解决的。
发明内容
有鉴于此，本申请提供一种用于CNC自动测量的模型训练方法及系统，该模型训练方法基于CNC件图像及其对应标注的轮廓信息进行分割模型的训练，以实现CNC自动测量。
为解决上述技术问题，本申请采用以下技术方案：
一方面，根据本发明实施例提供一种用于CNC自动测量的模型训练方法，所述方法包括：
获取带有标签信息的图像样本，其中，所述图像样本包括CNC件图像，所述标签信息包括所述CNC件图像上对应标注的轮廓信息；
基于所述图像样本训练分割模型。
优选地，所述基于所述图像样本训练分割模型，包括：
基于所述CNC件图像进行多层卷积与池化操作，最终得到深层语义特征；
基于所述深层语义特征训练得到所述分割模型。
优选地，基于所述CNC件图像进行多层卷积与池化操作，包括：
在得到所述深层语义特征之前还得到多层浅层语义特征，并对多层所述浅层语义特征进行特征处理；
将所述深层语义特征与处理后的所述浅层语义特征进行融合处理，得到融合特征；
基于所述融合特征训练得到所述分割模型。
优选地，在得到所述深层语义特征之前还得到多层浅层语义特征，并对多层所述浅层语义特征进行特征处理，包括：
得到第一浅层语义特征与第二浅层语义特征；
基于所述深层语义特征利用插值的方式上采样到所述第二浅层语义特征，得到深层上采样特征；
将所述深层上采样特征与所述第二浅层语义特征按照通道维度进行拼接并进行卷积操作，得到第二浅层新特征；
基于所述第二浅层新特征直至上采样到所述CNC件图像，得到第一CNC件图像特征。
优选地，将所述深层语义特征与处理后的所述浅层语义特征进行融合处理，得到融合特征，包括：
分别基于所述第一浅层语义特征与所述第二浅层语义特征进行上采样直至所述CNC件图像，得到第二CNC件图像特征与第三CNC件图像特征；
基于所述第一CNC件图像特征、第二CNC件图像特征与第三CNC件图像特征进行融合处理，得到所述融合特征；
基于所述融合特征训练得到所述分割模型，以所述CNC件图像作为输入，并将所述CNC件图像上对应标注的轮廓信息作为输出结果。
第二方面，根据本发明实施例提供一种基于用于CNC自动测量的模型训练方法得出的分割模型的CNC自动测量方法，包括：
获取CNC件图像；
将所述CNC件图像输入训练好的所述分割模型中，得到所述CNC图像上的轮廓信息；
基于所述轮廓信息实现CNC自动测量。
第三方面，根据本发明实施例还提供一种用于CNC自动测量的模型训练系统，包括：
获取模块，其用于获取带有标签信息的图像样本，其中，所述图像样本包括CNC件图像，所述标签信息包括所述CNC件图像上对应标注的轮廓信息；
训练模块，其用于基于所述图像样本训练分割模型。
第四方面，根据本发明实施例还提供一种CNC自动测量系统，包括：
获取模块，其用于获取CNC件图像；
分割模块，其用于将所述CNC件图像输入训练好的所述分割模型中，得到所述CNC图像上的轮廓信息；
测量模块，其用于基于所述轮廓信息实现CNC自动测量。
第五方面，本发明实施例还提供一种终端设备，所述终端设备包括：
处理器；
存储器；以及程序，其中，所述程序被存储在所述存储器中，并且被配置成由处理器执行，以使得所述终端设备实现所述一种用于CNC自动测量的模型训练方法。
第六方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序：所述计算机程序被处理器执行实现所述一种用于CNC自动测量的模型训练方法。
本申请的上述技术方案至少具有如下有益效果之一：
根据本申请实施例的一种用于CNC自动测量的模型训练方法及系统，该模型训练方法基于CNC件图像及其对应标注的轮廓信息进行分割模型训练，在训练过程中进行多层卷积与池化操作得到深层语义特征，基于深层语义特征进行训练得到分割模型，提高模型训练的分割效果；在对CNC件图像的多次下采样中获得浅层语义特征分别与最终的深层语义特征进行上采样过程中获得的新特征进行拼接、卷积，使得最终得到CNC图像特征获得更多特征，提高模型训练的效果，进一步提高图像的分割精度。
附图说明
图1为本申请实施例的用于CNC自动测量的模型训练方法的整体流程图；
图2为本申请实施例的用于CNC自动测量的模型训练方法中的模型训练的具体流程图；
图3为本申请实施例的用于CNC自动测量的模型训练方法中的多层卷积与池化操作的具体流程图；
图4为本申请实施例的用于CNC自动测量的模型训练方法中的对多层浅层语义特征进行处理的具体流程图；
图5为本申请实施例的用于CNC自动测量的模型训练方法中的对深层语义特征进行上采样的逻辑示意图；
图6为本申请实施例的用于CNC自动测量的模型训练方法中的分割模型的结构图；
图7为本申请实施例的用于CNC自动测量的模型训练方法中的融合处理流程图；
图8为本申请实施例的CNC自动测量方法的整体流程图；
图9为本申请实施例中涉及的实例产品示意图；
图10为利用本申请实施例提供的方法对产品轮廓进行分割定位的效果图；
图11为本申请实施例的用于CNC自动测量的模型训练系统的模块图；
图12为本申请实施例的CNC自动测量系统的模块图。
附图标记：
10、获取模块；20、训练模块；100、获取模块；200、分割模块；300、测量模块。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明实施例提供一种用于CNC自动测量的模型训练方法，该模型训练方法基于CNC件图像及其对应标注的轮廓信息进行分割模型训练，在训练过程中进行多层卷积与池化操作得到深层语义特征，基于深层语义特征进行训练得到分割模型，提高模型训练的分割效果。
下面通过结合具体的附图对本申请的各个实施例进行详细的说明。
在本申请的一个实施例中提供一种用于CNC自动测量的模型训练方法，如图1所示，该方法具体包括如下步骤：
S1、获取带有标签信息的图像样本，其中，图像样本包括CNC件图像，标签信息包括CNC件图像上对应标注的轮廓信息。采集多种CNC件图像，并在CNC图像上进行人工标注，标注的轮廓信息包括CNC件的边缘、轮廓等。
S2、基于图像样本训练分割模型。
在一实施例中，如图2所示，在步骤S2中还包括步骤：
S21、基于CNC件图像进行多层卷积与池化操作，最终得到深层语义特征。
S22、基于深层语义特征训练得到分割模型。
也就是说，对CNC件图像经过多层卷积层与池化层得到深层语义特征，其中，卷积层包括BN层与re l u激活层。比如：将尺寸为512*512的CNC件图像进行多层卷积与池化后得到64*64的深层语义特征，将CNC件图像就那些多层卷积与池化操作，以获得更多CNC件图像特征，提高图像分割精度。
进一步的，在步骤S21中，如图3所示，还包括步骤：
S211、在得到深层语义特征之前还得到多层浅层语义特征，并对多层所述浅层语义特征进行特征处理；
S212、将深层语义特征与浅层语义特征进行融合处理，得到融合特征；
S213、基于融合特征训练得到分割模型。
也就是说，在对CNC件图像进行多次下采样操作即池化操作的过程中将得到多个浅层语义特征，将最终得到的深层语义特征与多个浅层语义特征进行融合处理得到融合特征，融合特征具有比深层语义特征更多的特征信息，提高模型训练的效果，进一步提高图像的分割精度。
进一步的，如图4和图5所示，在步骤S211中还包括步骤：
S2111、得到第一浅层语义特征与第二浅层语义特征。
也就是说，在本实施例中对CNC件图像进行了三次下采样操作，分别得到第一浅层语义特征、第二浅层语义特征和深层语义特征。当然根据具体情况可对CNC件图像进行更多次的下采样操作，本发明实施例不做限定。
S2112、基于深层语义特征利用插值的方式上采样到第二浅层语义特征，得到深层上采样特征。
也就是说，将深层语义特征利用插值的方式将其特征尺寸放大到与第二浅层语义特征相同的尺寸，得到深层上采样特征。
S2113、将深层上采样特征与第二浅层语义特征按照通道维度进行拼接并进行卷积操作，得到第二浅层新特征。
也就是说，将步骤S2112中得到深层上采样特征与下采样得到的第二浅层语义特征按照通道维度进行拼接并连接一卷积层，得到第二浅层新特征。接上一个实例，即将64*64尺寸的深层语义特征上采样至与第二浅层语义特征相对应的128*128尺寸即深层上采样特征，并将深层上采样特征与第二浅层语义特征进行拼接，得到第二浅层新特征。
S2114、基于第二浅层新特征直至上采样到CNC件图像，得到第一CNC件图像特征。
也就是说，将尺寸128*128的第二浅层新特征继续进行上采样至256*256尺寸，得到第二浅层上采样特征。将第二浅层上采样特征与第一浅层语义特征按照通道维度进行拼接并连接一卷积层，得到第一浅层新特征。
进一步的，将第一浅层新特征继续进行上采样操作，得到尺寸为512*512的第一浅层上采样特征，将第一浅层上采样特征与CNC件图像按照通道维度进行拼接并连接一卷积层，得到第一CNC件图像特征。
本发明实施例在对CNC件图像的多次下采样中获得浅层语义特征分别与最终的深层语义特征进行上采样过程中获得的新特征进行拼接、卷积，使得最终得到CNC图像特征获得更多特征。
在一实施例中，如图7所示，在步骤S212中还包括步骤：
S2121、分别基于第一浅层语义特征与第二浅层语义特征进行上采样直至CNC件图像，得到第二CNC件图像特征与第三CNC件图像特征。
也就是说，本步骤中与步骤S2112至步骤S2114的方法相同，只是步骤S2112至步骤S2114是基于深层语义特征进行上采样，而本步骤是分别基于第一浅层语义特征与第二浅层语义特征分别进行上采样，并分别得到第二CNC件图像与第三CNC件图像特征。
S2122、基于第一CNC件图像特征、第二CNC件图像特征与第三CNC件图像特征进行融合处理，得到融合特征。
也就是说，将步骤S2112至步骤S2114得到的第一CNC件图像特征与第二CNC件图像特征以及第三CNC件图像特征进行融合处理，得到融合特征。
S2123、基于融合特征训练得到分割模型，以CNC件图像作为输入，并将CNC件图像上对应标注的轮廓信息作为输出结果。
在一实施例中，如图6所示，图6为本发明实施例中分割模型的结构图。本发明实施例在下采样过程中的卷积操作包括利用3*3卷积核，并在特征周围补0，以使得特征在经过卷积操作后保证特征的尺寸大小不变。本发明实施例中的池化操作优选2*2的最大池化层，步长为2，以使得操作后的特征尺寸缩小一倍。
在一实施例中，在模型的训练过程中还包括利用损失函数以使得模型训练的更好。进一步的，采用IOU(Intersection over Union，交并比)与BCE相结合的损失函数，以得到精度更高的边缘特征提取的分割模型。其中，IOU函数是两个区域重叠的部分除以两个区域的集合部分得出的结果；BCE函数为：
Figure BDA0003227002240000071
因为只有正例和反例，且两者的概率和为1，那么只需要预测一个概率就好了，可以简化成：
loss(y′i，yi)＝-wi[yi*logy′i+(1-yi)*log(1-y′i)]
Figure BDA0003227002240000072
为了对深度学习端预测结果做一个评价，以此来衡量分割模型的好坏，并提出了一个全新的评价标准，中间位置对应像素的偏差。具体如下：一般的在CNC测量过程中主要的预测项是直线与圆，但是分割模型的预测结果往往存在偏差，利用逐像素计算两者之间的位置偏差，当偏差为零个像素时，什么预测位置与真实位置完全重合，当然这种理想状态基本不存在。故当预测偏差低于预设阈值比例的时候，则该分割模型可以达到不错的分割效果。
本发明还提供基于用于CNC自动测量的模型训练方法训练出的分割模型的CNC自动测量方法，如图8所示，包括如下步骤：
S001、获取CNC件图像；
S002、将CNC件图像输入训练好的分割模型中，得到CNC图像上的轮廓信息；
S003、基于轮廓信息实现CNC自动测量。
也就是说，利用上述实施例训练好的模型对CNC件图像进行分割处理，即将CNC件图像输入分割模型中，并输出CNC图像上的轮廓信息即CNC图像上的边缘以及轮廓线等，以实现CNC自动测量。
利用本发明实施例提供的一种用于CNC自动测量的模型训练方法得到的分割模型以及利用本发明实施例提供的一种CNC自动测量方法对如图9所示的产品进行自动测量，分别对两种产品进行圆弧边与直线边提取，得到如图10所示的分割定位效果。利用本发明实施例对预测结果的评分，利用本发明实施例提供的方法预测位置与真实位置的像素偏差，可得直线边缘完全重合的像素达到了84.7％，低于三个像素的占比更是达到91.6％，因为弧形边的复杂性，完成重合像素占比29.3％，但是低于三个像素的占比也达到87.2％。
语义分割是针对像素级别的一个分类任务，相当于一个像素代表一个样本，所以不需要一个庞大的样本数据，同时产品背景与前景较为简单，且比较一致，经过多次的实验验证，几十张数据就能达到一个不错的效果。另一方面，采用迁移学习技术，先预训练一个比较好的模型，然后在具体任务上进行微调，取得不错效果的同时又减少了时间与人力成本。同时通过标签自动生成来替代人工标注，大大提高了工作效率。然而，采用语义分割来进行边缘提取存在的主要问题是，干扰因素较大时，可能部分边缘会抓取错误。
基于上述技术问题，本发明实施例利用传统算法对利用分割模型得到的轮廓信息进行干预，也就是说，利用传统算法进行亚像素计算，对轮廓信息进行进一步的修正，提高定位精度，进一步提高CNC自动测量的精准度；其中，传统算法至少包括阈值分割、RANSAC(Random Sample Consensus，随机抽样一致算法)、多项式插值获取亚像素。
本发明实施例还提供一种用于CNC自动测量的模型训练系统，如图11所示，包括获取模块10与训练模块20，其中，获取模块10用于获取带有标签信息的图像样本，其中，所述图像样本包括CNC件图像，所述标签信息包括所述CNC件图像上对应标注的轮廓信息；训练模块20用于基于所述图像样本训练分割模型。
进一步的，训练模块包括卷积池化操作单元和训练单元，卷积池化操作单元用于基于所述CNC件图像进行多层卷积与池化操作，最终得到深层语义特征；训练单元用于基于深层语义特征训练得到分割模块。
进一步的，卷积池化操作单元包括特征处理子单元、特征融合子单元和训练子单元；特征处理子单元用于在得到所述深层语义特征之前还得到多层浅层语义特征，并对多层所述浅层语义特征进行特征处理；特征融合子单元用于将所述深层语义特征与处理后的所述浅层语义特征进行融合处理，得到融合特征；训练子单元用于基于所述融合特征训练得到所述分割模型。
进一步的，特征处理子单元包括第一上采样子单元和拼接子单元，上采样子单元用于基于所述深层语义特征利用插值的方式上采样到所述第二浅层语义特征，得到深层上采样特征；拼接子单元用于将所述深层上采样特征与所述第二浅层语义特征按照通道维度进行拼接并进行卷积操作，得到第二浅层新特征；第一上采样子单元用于基于所述第二浅层新特征直至上采样到所述CNC件图像，得到第一CNC件图像特征。
进一步的，特征融合子单元包括第二上采样子单元和融合处理子单元，第二上采样子单元用于分别基于所述第一浅层语义特征与所述第二浅层语义特征进行上采样直至所述CNC件图像，得到第二CNC件图像特征与第三CNC件图像特征；融合处理子单元用于基于所述第一CNC件图像特征、第二CNC件图像特征与第三CNC件图像特征进行融合处理，得到所述融合特征。
本发明还提供一种CNC自动测量系统，如图12所示，包括获取模块100、分割模块200和测量模块300，获取模块100用于获取CNC件图像；分割模块200用于将所述CNC件图像输入训练好的所述分割模型中，得到所述CNC图像上的轮廓信息；测量模块300用于基于所述轮廓信息实现CNC自动测量。
本发明实施例还提供一种终端设备，终端设备包括：处理器；存储器；以及程序，其中，程序被存储在存储器中，并且被配置成由处理器执行，以使得终端设备实现一种用于CNC自动测量的模型训练方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序：计算机程序被处理器执行实现一种用于CNC自动测量的模型训练方法。
需要说明的是，在本专利的示例和说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (6)

1.一种用于CNC自动测量的模型训练方法，其特征在于，所述方法包括：
获取带有标签信息的图像样本，其中，所述图像样本包括CNC件图像，所述标签信息包括所述CNC件图像上对应标注的轮廓信息；
基于所述图像样本训练分割模型；
所述基于所述图像样本训练分割模型，包括：
基于所述CNC件图像进行多层卷积与池化操作，最终得到深层语义特征；
基于所述深层语义特征训练得到所述分割模型；
基于所述CNC件图像进行多层卷积与池化操作，包括：
在得到所述深层语义特征之前还得到多层浅层语义特征，并对多层所述浅层语义特征进行特征处理；
将所述深层语义特征与处理后的所述浅层语义特征进行融合处理，得到融合特征；
基于所述融合特征训练得到所述分割模型；
在得到所述深层语义特征之前还得到多层浅层语义特征，并对多层所述浅层语义特征进行特征处理，包括：
得到第一浅层语义特征与第二浅层语义特征；
基于所述深层语义特征利用插值的方式上采样到所述第二浅层语义特征，得到深层上采样特征；
将所述深层上采样特征与所述第二浅层语义特征按照通道维度进行拼接并进行卷积操作，得到第二浅层新特征；
基于所述第二浅层新特征直至上采样到所述CNC件图像，得到第一CNC件图像特征；
将所述深层语义特征与处理后的所述浅层语义特征进行融合处理，得到融合特征，包括：
分别基于所述第一浅层语义特征与所述第二浅层语义特征进行上采样直至所述CNC件图像，得到第二CNC件图像特征与第三CNC件图像特征；
基于所述第一CNC件图像特征、第二CNC件图像特征与第三CNC件图像特征进行融合处理，得到所述融合特征；
基于所述融合特征训练得到所述分割模型，以所述CNC件图像作为输入，并将所述CNC件图像上对应标注的轮廓信息作为输出结果。
2.一种基于权利要求1所述的训练出的分割模组的CNC自动测量方法，其特征在于，包括：
获取CNC件图像；
将所述CNC件图像输入训练好的所述分割模型中，得到所述CNC件图像上的轮廓信息；
基于所述轮廓信息实现CNC自动测量。
3.一种用于CNC自动测量的模型训练系统，其特征在于，包括：
获取模块，其用于获取带有标签信息的图像样本，其中，所述图像样本包括CNC件图像，所述标签信息包括所述CNC件图像上对应标注的轮廓信息；
训练模块，其用于基于所述图像样本训练分割模型；
所述训练模块包括卷积池化操作单元和训练单元，所述卷积池化操作单元用于基于所述CNC件图像进行多层卷积与池化操作，最终得到深层语义特征；所述训练单元用于基于深层语义特征训练得到分割模型；
所述卷积池化操作单元包括特征处理子单元、特征融合子单元和训练子单元；所述特征处理子单元用于在得到所述深层语义特征之前还得到多层浅层语义特征，并对多层所述浅层语义特征进行特征处理；所述特征融合子单元用于将所述深层语义特征与处理后的所述浅层语义特征进行融合处理，得到融合特征；所述训练子单元用于基于所述融合特征训练得到所述分割模型；
所述特征处理子单元包括第一上采样子单元和拼接子单元，所述上采样子单元用于基于所述深层语义特征利用插值的方式上采样到第二浅层语义特征，得到深层上采样特征；所述拼接子单元用于将所述深层上采样特征与所述第二浅层语义特征按照通道维度进行拼接并进行卷积操作，得到第二浅层新特征；所述第一上采样子单元用于基于所述第二浅层新特征直至上采样到所述CNC件图像，得到第一CNC件图像特征；
所述特征融合子单元包括第二上采样子单元和融合处理子单元，所述第二上采样子单元用于分别基于第一浅层语义特征与第二浅层语义特征进行上采样直至所述CNC件图像，得到第二CNC件图像特征与第三CNC件图像特征；所述融合处理子单元用于基于所述第一CNC件图像特征、第二CNC件图像特征与第三CNC件图像特征进行融合处理，得到所述融合特征。
4.一种CNC自动测量系统，其基于如权利要求3所述的用于CNC自动测量的模型训练系统，其特征在于，包括：
获取模块，其用于获取CNC件图像；
分割模块，其用于将所述CNC件图像输入训练好的所述分割模型中，得到所述CNC图像上的轮廓信息；
测量模块，其用于基于所述轮廓信息实现CNC自动测量。
5.一种终端设备，其特征在于，包括：
处理器；和
存储器，在所述存储器中存储有计算机程序指令，
其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器执行如权利要求1所述的方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序指令，所述计算机程序指令被处理器运行时，使得所述处理器执行如权利要求1所述的方法。
CN202110975050.1A 2021-08-24 2021-08-24 用于cnc自动测量的模型训练方法、测量方法及系统、设备、介质 Active CN113674300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110975050.1A CN113674300B (zh) 2021-08-24 2021-08-24 用于cnc自动测量的模型训练方法、测量方法及系统、设备、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110975050.1A CN113674300B (zh) 2021-08-24 2021-08-24 用于cnc自动测量的模型训练方法、测量方法及系统、设备、介质

Publications (2)

Publication Number Publication Date
CN113674300A CN113674300A (zh) 2021-11-19
CN113674300B true CN113674300B (zh) 2022-10-28

Family

ID=78545614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110975050.1A Active CN113674300B (zh) 2021-08-24 2021-08-24 用于cnc自动测量的模型训练方法、测量方法及系统、设备、介质

Country Status (1)

Country Link
CN (1) CN113674300B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893430A (zh) * 2010-07-20 2010-11-24 哈尔滨工业大学 基于cnc齿轮测量中心的测量异常值处理方法
CN108596184A (zh) * 2018-04-25 2018-09-28 清华大学深圳研究生院 图像语义分割模型的训练方法、可读存储介质及电子设备
CN110232394A (zh) * 2018-03-06 2019-09-13 华南理工大学 一种多尺度图像语义分割方法
WO2019196633A1 (zh) * 2018-04-10 2019-10-17 腾讯科技（深圳）有限公司 一种图像语义分割模型的训练方法和服务器
CN110569851A (zh) * 2019-08-28 2019-12-13 广西师范大学 门控多层融合的实时语义分割方法
CN111402264A (zh) * 2020-03-11 2020-07-10 南京三百云信息科技有限公司 图像区域分割方法、装置及其模型训练方法及计算机设备
CN111523546A (zh) * 2020-04-16 2020-08-11 湖南大学 图像语义分割方法、系统及计算机存储介质
KR102189269B1 (ko) * 2019-10-22 2020-12-09 경북대학교 산학협력단 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10902238B2 (en) * 2018-11-28 2021-01-26 Toyota Research Institute, Inc. Systems and methods for predicting semantics of a particle using semantic segmentation
CN111144484B (zh) * 2019-12-26 2020-10-23 深圳集智数字科技有限公司 一种图像识别方法及装置
CN112001403B (zh) * 2020-08-11 2023-12-15 北京化工大学 一种图像轮廓检测方法及系统
CN112990213B (zh) * 2021-02-07 2023-10-10 西北大学 一种基于深度学习的数字万用表字符识别系统和方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893430A (zh) * 2010-07-20 2010-11-24 哈尔滨工业大学 基于cnc齿轮测量中心的测量异常值处理方法
CN110232394A (zh) * 2018-03-06 2019-09-13 华南理工大学 一种多尺度图像语义分割方法
WO2019196633A1 (zh) * 2018-04-10 2019-10-17 腾讯科技（深圳）有限公司 一种图像语义分割模型的训练方法和服务器
CN108596184A (zh) * 2018-04-25 2018-09-28 清华大学深圳研究生院 图像语义分割模型的训练方法、可读存储介质及电子设备
CN110569851A (zh) * 2019-08-28 2019-12-13 广西师范大学 门控多层融合的实时语义分割方法
KR102189269B1 (ko) * 2019-10-22 2020-12-09 경북대학교 산학협력단 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템
CN111402264A (zh) * 2020-03-11 2020-07-10 南京三百云信息科技有限公司 图像区域分割方法、装置及其模型训练方法及计算机设备
CN111523546A (zh) * 2020-04-16 2020-08-11 湖南大学 图像语义分割方法、系统及计算机存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Accurate Gastric Cancer Segmentation in Digital Pathology Images Using Deformable Convolution and Multi-Scale Embedding Networks;Muyi Sun etal.;《IEEE Access 》;20190524;全文 *
基于深度信念卷积神经网络的图像识别与分类;刘琼等;《清华大学学报（自然科学版）》;20181231;第58卷(第9期);全文 *

Also Published As

Publication number Publication date
CN113674300A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
US10740640B2 (en) Image processing method and processing device
CN110458095B (zh) 一种有效手势的识别方法、控制方法、装置和电子设备
JP2018200685A (ja) 完全教師あり学習用のデータセットの形成
WO2022227770A1 (zh) 目标对象检测模型的训练方法、目标对象检测方法和设备
CN113378976B (zh) 一种基于特征顶点组合的目标检测方法、可读存储介质
CN115797706B (zh) 目标检测方法、目标检测模型训练方法及相关装置
CN111626994A (zh) 基于改进U-Net神经网络的设备故障缺陷诊断方法
CN112149590A (zh) 一种手部关键点检测方法
CN111639596A (zh) 基于注意力机制和残差网络的抗眼镜遮挡人脸识别方法
CN113487610B (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
WO2022142297A1 (en) A robot grasping system and method based on few-shot learning
CN114841974A (zh) 一种水果内部结构无损检测方法、系统、电子设备及介质
CN113674300B (zh) 用于cnc自动测量的模型训练方法、测量方法及系统、设备、介质
CN112966676B (zh) 一种基于零样本学习的文档关键信息抽取方法
CN112016592A (zh) 基于交叉领域类别感知的领域适应语义分割方法及装置
CN115409951B (zh) 图像处理方法、装置、电子设备及存储介质
CN115130473B (zh) 关键信息抽取方法、模型训练方法、相关装置及电子设备
CN116228682A (zh) 一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法
CN112699898B (zh) 一种基于多层特征融合的图像方向识别方法
CN114863104A (zh) 一种基于标签分布学习的图像分割方法
CN116610080B (zh) 休闲椅的智能生产方法及其控制系统
CN114792423B (zh) 文档图像的处理方法、装置和存储介质
CN117710785A (zh) 基于图像检测模型的异常图像检测方法、装置及设备
CN116843614A (zh) 一种基于先验引导多语义融合的图像异常检测和定位方法
CN117541813A (zh) 基于YOLO V5m的汽车零部件缺陷检测方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant