[发明专利]基于深度学习的孔心检测方法及其孔心检测装置

说明书

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。

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。