[发明专利]基于深度学习的端面间隙检测方法、装置、设备及介质

说明书

本发明公开了一种基于深度学习的端面间隙检测方法及装置、设备及介质，该方法通过获取待识别间隙图像，并将待识别间隙图像输入到端面间隙识别模型中进行识别，得到原始边缘分割线；基于随机采样一致性算法对原始边缘分割线进行直线拟合，当拟合残差最小时，分别得到对应上下边缘的有效边缘分割线和下边缘有效边缘分割线；对上边缘有效边缘分割线和下边缘有效边缘分割线进行距离计算，得到端面间隙，以适应复杂环境的端面间隙检测，提高端面间隙的检测精度。

技术领域

本发明涉及端面间隙测量技术领域，具体涉及一种基于深度学习的端面间隙检测方法、装置、设备及介质。

背景技术

端面间隙是产品装配的重要参数，直接影响到产品的装配质量，甚至装配后产品的固有性能。在自动化装配过程中，端面间隙是否可以精确和快速的检测直接关系着产品装配效率的快慢。目前对端面间隙进行快速且精确的检测常借助边缘检测算法，通过机器视觉识别实现。但在小视场、小景深环境下，由于产品端面倒角、加工精度、光照、强反光和强噪声等复杂因素耦合引起了端面边缘模糊，应用传统的边缘检测算法对端面间隙进行检测时，端面边缘提取误差较大，严重降低了端面间隙的检测精度。

发明内容

本发明要解决的技术问题是在小视场、小景深环境下，应用传统边缘检测算法对端面间隙进行检测时，端面边缘提取误差较大，导致端面间隙的检测精度低，因此，本发明提供一种基于深度学习的端面间隙检测方法、装置、设备及介质，对复杂环境的端面间隙进行检测，以实现端面间隙的快速和高精度检测。

本发明通过下述技术方案实现：

一种基于深度学习的端面间隙检测方法，包括：

获取待识别间隙图像，并将所述待识别间隙图像输入到端面间隙识别模型中进行识别，得到原始边缘分割线；

基于随机采样一致性算法对所述原始边缘分割线进行直线拟合，当拟合残差最小时，得到上边缘有效边缘分割线和下边缘有效边缘分割线；

对所述上边缘有效边缘分割线和下边缘有效边缘分割线进行距离计算，得到端面间隙。

进一步地，所述端面间隙识别模型包括全卷积网络识别模型和整体嵌套网络识别模型；

所述将所述待识别间隙图像输入到端面间隙识别模型中进行识别，得到原始边缘分割线，包括：

将所述待识别间隙图像划分为大小为m×n像素的待识别图像块，并将所述待识别图像块输入到全卷积网络识别模型中进行识别，得到端面特征图像块；

将所述端面特征图像块输入到整体嵌套网络识别模型中进行识别，得到端面特征图像块对应的原始边缘分割线。

进一步地，所述基于深度学习的端面间隙检测方法还包括：

获取待训练间隙图像，所述待训练间隙图像包括图像块和预定义间隙边缘线；

将所述待训练间隙图像划分为训练集和测试集；

将所述训练集中的图像块输入到原始全卷积网络模型中进行训练，得到待测试全卷积网络模型；

将所述训练集中的预定义间隙边缘线输入到原始整体嵌套网络模型中进行训练，得到待测试整体嵌套网络模型；

将所述测试集中的图像块输入到待测试全卷积网络模型中进行测试，当全部测试集完成测试后，得到学习后的全卷积网络识别模型；

将所述测试集中的预定义间隙边缘线输入到待测试整体嵌套网络模型中进行测试，当全部测试集完成测试后，得到学习后的整体嵌套网络识别模型。

进一步地，所述将所述训练集中的图像块输入到原始全卷积网络模型中进行训练，得到待测试全卷积网络模型，包括：