CN113689495A - 基于深度学习的孔心检测方法及其孔心检测装置 - Google Patents
基于深度学习的孔心检测方法及其孔心检测装置 Download PDFInfo
- Publication number
- CN113689495A CN113689495A CN202110886284.9A CN202110886284A CN113689495A CN 113689495 A CN113689495 A CN 113689495A CN 202110886284 A CN202110886284 A CN 202110886284A CN 113689495 A CN113689495 A CN 113689495A
- Authority
- CN
- China
- Prior art keywords
- image data
- hole center
- target
- hole
- deep learning
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的孔心检测方法及其孔心检测装置,所述基于深度学习的孔心检测方法,包括:获取待检测工件的目标图像数据,其中,所述目标图像数据为所述待检测工件中目标零件孔的图像数据;将所述目标图像数据输入卷积神经网络模型以生成所述目标零件孔的目标特征参数;根据所述目标特征参数确定所述目标零件孔的孔心位置。采用该孔心检测方法可以实现鲁棒、快速、准确的定位零件孔心的目的。
Description
技术领域
本发明涉及孔心检测技术领域,尤其是涉及一种基于深度学习的孔心检测方法及其孔心检测装置。
背景技术
在检测测量工业中,对于大型工件的品质把控是通过人工测量的方式实现的,测量工件合格后才可出厂使用的,而该方式存在检测效率低、人为的固定误差、人力成本以及检测机器成本开销大等问题。因此,利用视觉系统取代人来进行这一繁重、重复,且需要高精度的工作是一件非常具有经济价值和挑战的技术,但这其中的首要问题为如何对整个零件进行空间中的建模,即在三维空间中精确重建工件的坐标和位姿,而其中,一个可行高效的方法为定位大工件内部各种小零件的孔心,以通过多相机下同孔心的对应关系进行重建。与此同时,大量的工业零件有无、缺陷检测需求,也可以通过零件孔心检测的技术辅助或者直接解决。但在通常情况下,对于算法采集数据的时间和数量有限,处理数据的时间和人力也有限,任务需求甚至随时可能改变,因此如何实现对大型工件上小零件的孔径、孔心等测量是目前亟待解决的问题。
相关技术中,对于孔心定位技术通常采用模板匹配的方法,具体操作为:先初步获得零件在相机姿态下的轮廓以作为初始模板,对拍摄的初始模板进行模板训练,以获得大量候选模板并存入数据库中,在实际检测时将处理后的测试图片与数据库中的候选模板逐一比对,以最匹配的模板来定位零件孔心的位置。但在实际的应用场景中该方法存在诸多缺陷,首先,该方法需经过生成模板、训练模板、检测时进行模板匹配的过程,步骤繁琐,且对于未生成模板的零件,则无法实现定位孔心;其次,对于零件较小的情况,因拍摄的零件图像轮廓较模糊,往往难以区分出零件和背景的边界,容易产生因边缘不清晰而导致匹配失败或者误匹配的问题。由于上述几点因素的存在,使得目前大多工业应用的模板匹配方法无法直接应用在该孔心检测场景中。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明的一个目的在于提出一种基于深度学习的孔心检测方法,采用该孔心检测方法可以实现鲁棒、快速、准确的定位零件孔心的目的。
本发明的目的之二在于提出一种计算机存储介质。
本发明的目的之三在于提出一种基于深度学习的孔心检测装置。
本发明的目的之四在于提出一种基于深度学习的孔心检测装置。
本发明的目的之五在于提出一种基于深度学习的孔心检测系统。
为了解决上述问题,本发明第一方面实施例提供一种基于深度学习的孔心检测方法,包括:获取待检测工件的目标图像数据,其中,所述目标图像数据为所述待检测工件中目标零件孔的图像数据;将所述目标图像数据输入卷积神经网络模型以生成所述目标零件孔的目标特征参数;根据所述目标特征参数确定所述目标零件孔的孔心位置。
根据本发明实施例的基于深度学习的孔心检测方法,通过将待检测工件的目标图像数据输入卷积神经网络模型以生成目标零件孔的目标特征参数,从而根据该目标特征参数即可确定目标零件孔的孔心位置,也就是,本发明实施例利用人工智能基于深度学习的方式对目标零件孔进行孔心定位,既可以达到鲁棒、快速、准确的定位零件孔心的目的,也无需再等待模板的获取以及生成等步骤,操作简便,节省人力成本。
在一些实施例中,所述卷积神经网络模型通过以下步骤训练获得:获取工件的样本图像数据;获取所述样本图像数据中零件孔的特征参数;将所述样本图像数据作为基础网络模型的输入值,以所述样本图像数据中零件孔的特征参数为基准监督所述基础网络模型的训练,以获得所述卷积神经网络模型。
在一些实施例中,所述获取工件的样本图像数据,包括:获取所述工件的实际图像数据;对所述实际图像数据中的零件孔进行轮廓标注,以获取标注后的图像数据;对所述标注后的图像数据进行图像干扰处理,以获取扰动后的图像数据;对所述实际图像数据和所述扰动后的图像数据进行图像增强处理,以获取增强后的图像数据;将所述实际图像数据、所述扰动后的图像数据和所述增强后的图像数据作为所述样本图像数据。
在一些实施例中,获取所述工件的实际图像数据,包括:获取不同光照强度下的实际图像数据。
在一些实施例中,所述目标特征参数包括所述目标零件孔的孔径、孔心坐标和旋转角。
本发明第二方面实施例提供一种计算机存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现上述实施例所述的基于深度学习的孔心检测方法。
本发明第三方面实施例提供一种基于深度学习的孔心检测装置,包括,图像获取模块,用于获取待检测工件的目标图像数据,其中,所述目标图像数据为所述待检测工件中目标零件孔的图像数据;数据生成模块,用于将所述目标图像数据输入卷积神经网络模型以生成所述目标零件孔的目标特征参数;位置检测模块,用于根据所述目标特征参数确定所述目标零件孔的孔心位置。
根据本发明实施例的基于深度学习的孔心检测装置,通过数据生成模块将待检测工件的目标图像数据输入卷积神经网络模型以生成目标零件孔的目标特征参数,从而位置检测模块根据该目标特征参数即可确定目标零件孔的孔心位置,也就是,本发明实施例利用人工智能基于深度学习的方式对目标零件孔进行孔心定位,既可以达到鲁棒、快速、准确的定位零件孔心的目的,也无需再等待模板的获取以及生成等步骤,操作简便,节省人力成本。
本发明第四方面实施例提供一种基于深度学习的孔心检测装置,包括,至少一个处理器;与所述至少一个处理器通信连接的存储器;其中,所述存储器中存储有可被所述至少一个处理器执行的计算机程序,所述至少一个处理器执行所述计算机程序时实现上述实施例所述的基于深度学习的孔心检测方法。
根据本发明实施例的基于深度学习的孔心检测装置,通过将待检测工件的目标图像数据输入卷积神经网络模型以生成目标零件孔的目标特征参数,从而根据该目标特征参数即可确定目标零件孔的孔心位置,也就是,本发明实施例利用人工智能基于深度学习的方式对目标零件孔进行孔心定位,既可以达到鲁棒、快速、准确的定位零件孔心的目的,也无需再等待模板的获取以及生成等步骤,操作简便,节省人力成本。
本发明第五方面实施例提供一种基于深度学习的孔心检测系统,包括:图像采集模块,用于采集待检测工件的目标图像数据;上述实施例所述的基于深度学习的孔心检测装置,所述基于深度学习的孔心检测装置与所述图像采集模块连接,用于确定所述待检测工件上零件孔的孔心位置。
根据本发明实施例的基于深度学习的孔心检测系统,通过采用上述实施例提供的基于深度学习的孔心检测装置,既可以达到鲁棒、快速、准确的定位零件孔心的目的,也无需再等待模板的获取以及生成等步骤,操作便捷,节省人力成本。
在一些实施例中,所述图像采集模块为RGB相机。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一个实施例的基于深度学习的孔心检测方法的流程图;
图2是根据本发明一个实施例的基于深度学习的孔心检测装置的结构框图;
图3是根据本发明一个实施例的基于深度学习的孔心检测系统的结构框图。
附图标记:
基于深度学习的孔心检测装置10;基于深度学习的孔心检测系统20;
图像获取模块1;数据生成模块2;位置检测模块3;图像采集模块4。
具体实施方式
下面详细描述本发明的实施例,参考附图描述的实施例是示例性的,下面详细描述本发明的实施例。
为了解决上述问题,本发明第一方面实施例提出一种基于深度学习的孔心检测方法,采用该孔心检测方法可以实现鲁棒、快速、准确的定位零件孔心的目的。
下面参考图1描述本发明实施例提出的基于深度学习的孔心检测方法,如图1所示,该方法至少包括步骤S1-步骤S3。
步骤S1,获取待检测工件的目标图像数据,其中,目标图像数据为待检测工件中目标零件孔的图像数据。
在实施例中,在对大型工件上小零件的孔心进行测量时,可以采用相机对待检测工件进行拍摄,并将拍摄获得的图像即目标图像数据传送给相关的计算机处理设备,以便根据该目标图像数据检测孔心位置。
步骤S2,将目标图像数据输入卷积神经网络模型以生成目标零件孔的目标特征参数。
其中,卷积神经网络在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确数学表达式,只要用已知的模式对卷积神经网络加以训练,训练后的网络就具有输入对输出之间的映射能力。
由此,本发明实施例将目标图像数据直接输入已被训练好的卷积神经网络模型,即可获得目标零件孔的目标特征参数,从而无需再等待模板的获取及生成等步骤,操作简便,节省人力成本,利于提高生产效率,以及,本发明实施例的卷积神经网络模型是由大量数据经前期训练并利用人工智能基于深度学习而形成的模型,相较于模板匹配检测方法,其对孔心位置的检测稳定性更高,定位也更精准。以及,本发明实施例利用人工智能基于深度学习的方式对目标零件孔进行孔心定位,既可以达到鲁棒、快速、准确的定位零件孔心的目的,又可以适用于更多的应用场景,应用性更强,成本低,且可以根据不同的任务需求,支持大量的不同后续任务,节省人力和数据处理时间,提高生产效率。
步骤S3,根据目标特征参数确定目标零件孔的孔心位置。
在实施例中,根据卷积神经网络模型输出的目标特征参数,如目标零件孔的孔径、孔心坐标和旋转角等信息,即可确定目标零件孔的孔心位置,从而便于后续根据目标零件孔的位置进行相应地操作,如根据孔心位置的对应关系进行待检测工件的三维重建,或根据孔心位置把控待检测工件的合格质量。
根据本发明实施例的基于深度学习的孔心检测方法,通过将待检测工件的目标图像数据输入卷积神经网络模型以生成目标零件孔的目标特征参数,从而根据该目标特征参数即可确定目标零件孔的孔心位置,也就是,本发明实施例利用人工智能基于深度学习的方式对目标零件孔进行孔心定位,既可以达到鲁棒、快速、准确的定位零件孔心的目的,也无需再等待模板的获取以及生成等步骤,操作简便,节省人力成本。
在一些实施例中,卷积神经网络模型通过以下步骤训练获得:获取工件的样本图像数据,获取样本图像数据中零件孔的特征参数,将样本图像数据作为基础网络模型的输入值,以样本图像数据中零件孔的特征参数为基准监督基础网络模型的训练,以获得卷积神经网络模型。
具体地,卷积神经网络是用于处理具有已知的网络状拓扑的数据的专门前馈神经网络,因此,将采集的样本图像数据输入基础网络模型进行训练,以样本图像数据中零件孔的特征参数为基准,对基础网络模型的输出值进行纠正,即反向调节基础网络模型的各环节参数,以提高网络模型的稳定性,由此,对基础网络模型进行不断重复训练,直至符合预期后确定训练完成,获得卷积神经网络模型,从而在后续对待检测工件进行孔心检测时,将目标图像数据直接输入该训练完成的卷积神经网络,即可精准确定目标零件孔的孔心位置,提高对孔心位置检测的稳定性和精确性。
在一些实施例中,对于获取工件的样本图像数据包括,获取工件的实际图像数据,如采用RGB相机对工件进行拍摄,以获取实际图像数据;进而,对实际图像数据中的零件孔进行轮廓标注,如采用标注软件对实际图像中的零件孔进行直接标注,以获取标注后的图像数据,其中,对于不同类的零件孔可以采用不同的标注形式,以便于区分;进而,由于在实际操作时,会存在许多因素影响孔心位置检测,如相机安装位置、相机抖动等实际情况,因此通过对标注后的图像数据进行图像干扰处理,即以零件孔为中心,随机对标注后的图像数据进行扰动处理,以自动生成不同尺寸、不同尺度以及不同场景下的图像数据,即获得扰动后的图像数据;进而,对实际图像数据和扰动后的图像数据进行图像增强处理,如对实际图像数据和扰动后的图像数据进行亮度增强、对比度增强、图像模糊以及颜色空间扰动等图像处理,以获取增强后的图像数据;最终将实际图像数据、扰动后的图像数据和增强后的图像数据作为样本图像数据。由此,通过以上方式,本发明实施例在获取有限的实际图像数据的情况下,通过对实际图像数据进行数据处理和增强的过程,即可获得大量的不同情况下的样本图像数据,以此作为对基础网络模型的训练数据,利于提高网络模型的稳定性和精准性,实现鲁棒、快速、准确的定位零件孔心的目的。
其中,在对实际图像数据中的零件孔进行轮廓标注时,可以根据零件孔的标注情况获得该零件孔的特征参数,利用该特征参数作为后续训练卷积神经网络模型时的训练基准。
在一些实施例中,在大量的检测测量工业场景下,由于大工件上小零件的数量较多,占比又小,存在部分零件在图片上的数据质量较差,容易产生对比度不够、过曝或者过暗等现象,因此,本发明实施例在获取工件的实际图像数据时,可以获取不同光照强度下的实际图像数据,将该实际图像数据用于后续训练网络模型,利于提高网络模型的稳定性和精准性,避免因图像模糊、边缘不清晰而导致的匹配失败或误匹配的问题。
具体地,在采集图像数据时,通过调整光源与曝光时间,来获取不同光照强度下的实际图像数据。
总之,根据本发明实施例的基于深度学习的孔心检测方法,利用人工智能基于深度学习的思路,综合考虑不同光照度、饱和度以及遮挡情况下的样本图像数据,以此来训练获得卷积神经网络模型,使得在实际使用时,可以稳定、快速、精确的利用该卷积神经网络模型完成对各类小零件中孔心的精准定位与识别,且场景适用性更广,应用性更强,成本更低,且可以根据不同的需求,支持大量的不同后续任务,节省人力成本和时间。
本发明第二方面实施例提供一种计算机存储介质,其上存储有计算机程序,其中,计算机程序被处理器执行时实现上述实施例提供的基于深度学习的孔心检测方法。
本发明第三方面实施例提供一种基于深度学习的孔心检测装置,如图2所示,该基于深度学习的孔心检测装置10包括图像获取模块1、数据生成模块2和位置检测模块3。
其中,图像获取模块1用于获取待检测工件的目标图像数据,其中,目标图像数据为待检测工件中目标零件孔的图像数据;数据生成模块2用于将目标图像数据输入卷积神经网络模型以生成目标零件孔的目标特征参数;位置检测模块3用于根据目标特征参数确定目标零件孔的孔心位置。
需要说明的是,本发明实施例的基于深度学习的孔心检测装置10的具体实现方式与本发明上述任意实施例的基于深度学习的孔心检测方法的具体实现方式类似,具体请参见关于方法部分的描述,为了减少冗余,此处不再赘述。
根据本发明实施例的基于深度学习的孔心检测装置10,通过数据生成模块2将待检测工件的目标图像数据输入卷积神经网络模型以生成目标零件孔的目标特征参数,从而位置检测模块3根据该目标特征参数即可确定目标零件孔的孔心位置,也就是,本发明实施例利用人工智能基于深度学习的方式对目标零件孔进行孔心定位,既可以达到鲁棒、快速、准确的定位零件孔心的目的,也无需再等待模板的获取以及生成等步骤,操作便捷,节省人力成本。
在一些实施例中,数据生成模块2还用于通过以下步骤训练获得卷积神经网络模型:获取工件的样本图像数据;获取样本图像数据中零件孔的特征参数;以样本图像数据为输入,以样本图像数据中零件孔的特征参数为基准,训练基础网络模型,以获得卷积神经网络模型。
在一些实施例中,数据生成模块2还用于获取工件的实际图像数据;对实际图像数据中的零件孔进行轮廓标注,以获取标注后的图像数据;对标注后的图像数据进行图像干扰处理,以获取扰动后的图像数据;对实际图像数据和扰动后的图像数据进行图像增强处理,以获取增强后的图像数据;将实际图像数据、扰动后的图像数据和增强后的图像数据作为样本图像数据。由此,通过以上方式,本发明实施例在获取有限的实际图像数据的情况下,通过对实际图像数据进行数据处理和增强的过程,即可获得大量的样本图像数据,以此作为对基础网络模型的训练数据,利于提高网络模型的稳定性和精准性,实现鲁棒、快速、准确的定位零件孔心的目的。
在一些实施例中,数据生成模块2还用于获取不同光照强度下的实际图像数据,将该实际图像数据用于后续训练网络模型,利于提高网络模型的稳定性和精准性,避免因图像模糊、边缘不清晰而导致的匹配失败或误匹配的问题。。
在一些实施例中,目标特征参数包括目标零件孔的孔径、孔心坐标和旋转角。
本发明第四方面实施例提供一种基于深度学习的孔心检测装置,该基于深度学习的孔心检测装置包括至少一个处理器和与至少一个处理器通信连接的存储器。
其中,存储器中存储有可被至少一个处理器执行的计算机程序,至少一个处理器执行计算机程序时实现上述实施例提供的基于深度学习的孔心检测方法。
需要说明的是,本发明实施例的基于深度学习的孔心检测装置的具体实现方式与本发明上述任意实施例的基于深度学习的孔心检测方法的具体实现方式类似,具体请参见关于该方法部分的描述,为了减少冗余,此处不再赘述。
根据本发明实施例的基于深度学习的孔心检测装置,通过将待检测工件的目标图像数据输入卷积神经网络模型以生成目标零件孔的目标特征参数,从而根据该目标特征参数即可确定目标零件孔的孔心位置,也就是,本发明实施例利用人工智能基于深度学习的方式对目标零件孔进行孔心定位,既可以达到鲁棒、快速、准确的定位零件孔心的目的,也无需再等待模板的获取以及生成等步骤,操作简便,节省人力成本。
本发明第五方面实施例提供一种基于深度学习的孔心检测系统,如图3所示,该基于深度学习的孔心检测系统20包括图像采集模块4和上述实施例提供的基于深度学习的孔心检测装置10。
其中,图像采集模块4用于采集待检测工件的目标图像数据;基于深度学习的孔心检测装置10与图像采集模块4连接,用于确定待检测工件上零件孔的孔心位置。
需要说明的是,本发明实施例的基于深度学习的孔心检测系统20的具体实现方式与本发明上述任意实施例的基于深度学习的孔心检测装置10的具体实现方式类似,具体请参见关于基于深度学习的孔心检测装置10部分的描述,为了减少冗余,此处不再赘述。
在一些实施例中,图像采集模块4为RGB相机。
根据本发明实施例的基于深度学习的孔心检测系统20,通过采用上述实施例提供的基于深度学习的孔心检测装置10,既可以达到鲁棒、快速、准确的定位零件孔心的目的,也无需再等待模板的获取及生成等步骤,且能适应多变的任务需求,操作简便,节省人力成本。
在本说明书的描述中,流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于深度学习的孔心检测方法,其特征在于,包括:
获取待检测工件的目标图像数据,其中,所述目标图像数据为所述待检测工件中目标零件孔的图像数据;
将所述目标图像数据输入卷积神经网络模型以生成所述目标零件孔的目标特征参数;
根据所述目标特征参数确定所述目标零件孔的孔心位置。
2.根据权利要求1所述的基于深度学习的孔心检测方法,其特征在于,所述卷积神经网络模型通过以下步骤训练获得:
获取工件的样本图像数据;
获取所述样本图像数据中零件孔的特征参数;
将所述样本图像数据作为基础网络模型的输入值,以所述样本图像数据中零件孔的特征参数为基准监督所述基础网络模型的训练,以获得所述卷积神经网络模型。
3.根据权利要求2所述的基于深度学习的孔心检测方法,其特征在于,所述获取工件的样本图像数据,包括:
获取所述工件的实际图像数据;
对所述实际图像数据中的零件孔进行轮廓标注,以获取标注后的图像数据;
对所述标注后的图像数据进行图像干扰处理,以获取扰动后的图像数据;
对所述实际图像数据和所述扰动后的图像数据进行图像增强处理,以获取增强后的图像数据;
将所述实际图像数据、所述扰动后的图像数据和所述增强后的图像数据作为所述样本图像数据。
4.根据权利要求3所述的基于深度学习的孔心检测方法,其特征在于,获取所述工件的实际图像数据,包括:
获取不同光照强度下的实际图像数据。
5.根据权利要求1所述的基于深度学习的孔心检测方法,其特征在于,所述目标特征参数包括所述目标零件孔的孔径、孔心坐标和旋转角。
6.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-5任一项所述的基于深度学习的孔心检测方法。
7.一种基于深度学习的孔心检测装置,其特征在于,包括:
图像获取模块,用于获取待检测工件的目标图像数据,其中,所述目标图像数据为所述待检测工件中目标零件孔的图像数据;
数据生成模块,用于将所述目标图像数据输入卷积神经网络模型以生成所述目标零件孔的目标特征参数;
位置检测模块,用于根据所述目标特征参数确定所述目标零件孔的孔心位置。
8.一种基于深度学习的孔心检测装置,其特征在于,包括:
至少一个处理器;
与所述至少一个处理器通信连接的存储器;
其中,所述存储器中存储有可被所述至少一个处理器执行的计算机程序,所述至少一个处理器执行所述计算机程序时实现权利要求1-5任一项所述的基于深度学习的孔心检测方法。
9.一种基于深度学习的孔心检测系统,其特征在于,包括:
图像采集模块,用于采集待检测工件的目标图像数据;
权利要求7或8所述的基于深度学习的孔心检测装置,所述基于深度学习的孔心检测装置与所述图像采集模块连接,用于确定所述待检测工件上零件孔的孔心位置。
10.根据权利要求9所述的基于深度学习的孔心检测系统,其特征在于,所述图像采集模块为RGB相机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110886284.9A CN113689495A (zh) | 2021-08-03 | 2021-08-03 | 基于深度学习的孔心检测方法及其孔心检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110886284.9A CN113689495A (zh) | 2021-08-03 | 2021-08-03 | 基于深度学习的孔心检测方法及其孔心检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113689495A true CN113689495A (zh) | 2021-11-23 |
Family
ID=78578663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110886284.9A Pending CN113689495A (zh) | 2021-08-03 | 2021-08-03 | 基于深度学习的孔心检测方法及其孔心检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689495A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131553A (zh) * | 2022-08-30 | 2022-09-30 | 季华实验室 | 一种遮挡孔定位方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110487211A (zh) * | 2019-09-29 | 2019-11-22 | 中国科学院长春光学精密机械与物理研究所 | 非球面元件面形检测方法、装置、设备及可读存储介质 |
CN110986778A (zh) * | 2019-12-25 | 2020-04-10 | 电子科技大学 | 碳纤维复合材料铆钉孔尺寸检测系统及方法 |
CN111795680A (zh) * | 2020-07-03 | 2020-10-20 | 深圳市浩创盛科技有限公司 | 一种高速线性钻孔机的重孔检测系统 |
CN112643618A (zh) * | 2020-12-21 | 2021-04-13 | 东风汽车集团有限公司 | 一种柔性发动机仓储工装的智能调节装置及方法 |
CN112733765A (zh) * | 2021-01-15 | 2021-04-30 | 天津大学 | 一种基于深度学习的钻孔图像裂隙参数自动提取方法 |
-
2021
- 2021-08-03 CN CN202110886284.9A patent/CN113689495A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110487211A (zh) * | 2019-09-29 | 2019-11-22 | 中国科学院长春光学精密机械与物理研究所 | 非球面元件面形检测方法、装置、设备及可读存储介质 |
CN110986778A (zh) * | 2019-12-25 | 2020-04-10 | 电子科技大学 | 碳纤维复合材料铆钉孔尺寸检测系统及方法 |
CN111795680A (zh) * | 2020-07-03 | 2020-10-20 | 深圳市浩创盛科技有限公司 | 一种高速线性钻孔机的重孔检测系统 |
CN112643618A (zh) * | 2020-12-21 | 2021-04-13 | 东风汽车集团有限公司 | 一种柔性发动机仓储工装的智能调节装置及方法 |
CN112733765A (zh) * | 2021-01-15 | 2021-04-30 | 天津大学 | 一种基于深度学习的钻孔图像裂隙参数自动提取方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131553A (zh) * | 2022-08-30 | 2022-09-30 | 季华实验室 | 一种遮挡孔定位方法、装置、电子设备及存储介质 |
CN115131553B (zh) * | 2022-08-30 | 2022-11-08 | 季华实验室 | 一种遮挡孔定位方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871895B (zh) | 电路板的缺陷检测方法和装置 | |
KR102300951B1 (ko) | 기판 검사 장치 및 스크린 프린터의 결함 유형 결정 방법 | |
CN110838149B (zh) | 一种相机光源自动配置方法及系统 | |
US6751361B1 (en) | Method and apparatus for performing fixturing in a machine vision system | |
CN106442556A (zh) | 一种板状带孔工件表面缺陷检测装置和方法 | |
CN110231352B (zh) | 图像检查装置、图像检查方法以及图像检查记录介质 | |
CN115661161B (zh) | 零件的缺陷检测方法、装置、存储介质、设备及程序产品 | |
CN108492327B (zh) | Aoi图像匹配方法、系统、可读存储介质及智能设备 | |
JP2021515885A (ja) | 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体 | |
CN110738644A (zh) | 一种基于深度学习的汽车涂装表面缺陷检测方法及系统 | |
JP2019194565A (ja) | マシンビジョンシステムおよび方法ならびにロボット装着システムおよび方法 | |
CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
US20230053085A1 (en) | Part inspection system having generative training model | |
CN111598913B (zh) | 一种基于机器人视觉的图像分割方法和系统 | |
CN113689495A (zh) | 基于深度学习的孔心检测方法及其孔心检测装置 | |
CN115713476A (zh) | 基于激光焊接的视觉检测方法、装置及可读存储介质 | |
CN114331961A (zh) | 用于对象的缺陷检测的方法 | |
CN114037595A (zh) | 图像数据处理方法、装置、电子设备和存储介质 | |
CN115375610A (zh) | 检测方法及装置、检测设备和存储介质 | |
CN115375608A (zh) | 检测方法及装置、检测设备和存储介质 | |
CN112763496A (zh) | 一种手机电池表面缺陷检测装置及其检测方法 | |
CN111583225A (zh) | 缺陷检测方法、装置及存储介质 | |
JP4814116B2 (ja) | 実装基板外観検査方法 | |
CN114092448B (zh) | 一种基于深度学习的插件电解电容混合检测方法 | |
CN115100166A (zh) | 焊点缺陷检测方法及装置 |
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 |