[发明专利]一种基于深度学习的三维编制物编制密度检测方法

说明书

本发明公开了一种基于深度学习的三维编制物编制密度检测方法，包括：将三维编制物表面数据集划分成训练集和验证集，构建深度学习网络模型进行训练和验证；深度学习网络模型能够精准检测出三维编制物表面图像上每个纵横线单体的分类和位置信息，然后基于模型输出检测结果，依据对纵横线检测的预测框坐标，使用统计方法计算出纵横线的密度。本发明的三维编制物编制密度检测方法准确率高，效率高，能达到实时检测的效果，降低人为主观性的干扰，提升三维编制物质量，保证产品生产的可靠性。同时，本发明填补了三维编制物编制密度自动化检测技术的空白，提高了三维编制物一致性检测的效率。

技术领域

本发明属于三维编制物表现一致性检测技术领域，具体涉及一种基于深度学习的三维编制物编制密度检测方法。

背景技术

随着汽车工业领域的不断发展，因复合材料具有特殊的振动阻尼性质，其能有效的减振和降低噪声，且抗疲劳性能出众，故对于制造汽车车身、受力组件、传动轴及其内部结构具有极强的发展性。

使用三维织物作为复合材料三维编制物预制件是当今研究的热点。三维纺织品已能根据实际需要生产出各种复合材料预制件。随着复合材料三维编制物制造技术的不断发展，对更小、更轻的三维编制物提出了更高的强度要求，而伴随更高强度要求而来的，则是三维编制物的高质量制造要求。在三维编制物制造过程中，其表面的编制密度是其重要的质量指标。传统的编制密度检测采用人工标定，该方法耗时费力，且严重依赖于检测人员主观认定，对三维编制物的制造质量有一定的影响。

发明内容

针对现有技术存在的问题，本发明提出一种基于深度学习的三维编制物编制密度检测方法。

本发明所采用的技术方案为：

一种基于深度学习的三维编制物编制密度检测方法，包括如下步骤：

步骤1、采集三维编制物表面图像，根据先验知识对采集的三维编制物表面图像进行类别和位置标注，获得三维编制物表面数据集；所述三维编制物表面数据集划分为训练集和验证集；

步骤2、构建深度学习网络模型，将所述训练集输入所述深度学习网络模型中进行训练，当损失函数值小于1且不再下降时，停止训练；

将所述验证集输入经训练的深度学习网络模型中，输出标有纵横线类别和位置的三维编制物表面图像，将输出的三维编制物表面图像的类别与位置与所述验证集的类别和位置标注进行比较，若准确率均高于设定值，则完成对深度学习网络模型的训练；

步骤3、实时获取一张三维编制物表面图像，将该图像输入到训练好的深度学习网络模型中，输出标有纵横类别和位置的图像，依据各纵横线单体的位置坐标，计算出编制密度值。

进一步地，步骤2中，所述深度学习网络模型包括用于特征图的提取的特征提取模块和用于预测三维编制物表面图像上的纵横类别与位置坐标的检测模块；所述特征提取模块的输出端与所述检测模块的输入端连接。

进一步地，所述检测模块包含在单特征层上作用一个空洞卷积。

进一步地，步骤2中，所述深度学习网络模型的损失函数L为：

其中，N表示提取到的预测框总数，L_cls表示focal损失函数，L_reg表示交叉熵损失函数，(x,y)表示特征图中预测纵横单体的位置坐标；α为超参数，用于平衡两者损失，取值为1。

进一步地，步骤2中，所述设定值为90％。

进一步地，步骤3中，编制密度计算方法包括：根据所述深度网络模型输出的三维编制物表面图像上的预测纵横线单体坐标，先提取出处于同一条纵向线或横向线上的纵横线单体，然后根据坐标值，计算出每像素点上的单体个数，最后再根据标定的尺寸，得到编制密度。

本发明的有益效果在于：