[发明专利]一种基于深度学习的连接件剖面图像自动分割方法

说明书

本发明公开了一种基于深度学习的连接件剖面图像自动分割方法，针对轻量化连接工艺，收集连接件的剖面图像作为样本图像，对每一张样本图像通过标注工具进行标注，标注出图像中不同板材、紧固件及其它关注区域位置，生成标注后样本图像对应的掩码图像及文本文件，并将其与原图一起作为训练样本；将训练样本进行图像增强处理，并生成对应的掩码图像及文本文件；选择或搭建基于图像实例分割的深度学习模型；针对选择或搭建的深度学习网络模型进行训练环境的搭建；设置深度学习网络模型的训练参数；将训练样本加入深度学习网络模型进行训练，训练完成后得到的深度学习模型用于连接件的剖面图像自动分割。

技术领域

本发明涉及图像分割与计算机视觉领域，特别涉及一种基于深度学习的连接件剖面图像自动分割方法。

背景技术

轻量化已成为机械行业发展趋势，轻量化材料一般有轻合金、高强度金属材料、工程塑料、碳纤维增强复合材料和陶瓷材料等。综合考虑成本、性能及轻量化效果，采用多材料混合设计是机械行业采用的最为重要的轻量化手段。然而，传统的工艺技术却难以满足各材料间的混合连接，使得轻量化多材料零部件的装配面临巨大挑战。目前，针对零部件的材料及结构设计，主流的轻量化连接工艺有铝合金点焊(RSW)，自冲铆接(SPR)，无铆钉自冲铆接(Clinching)，热熔自攻螺钉(FDS)，结构胶(Adhesive)等，不同连接工艺过程中产生的剖面图像是研究连接工艺的重要资料。

图像分割是一种基本的计算机视觉技术，是自动化图像处理的一个重要环节，是图像分析与理解的基础。从最初的传统图像分割算法，到现在的基于深度学习的图像分割算法，图像分割取得了巨大的进步，它的目标是为图像中的每个像素分类，以理解图像中的内容，使每个部分的分析更容易。

在多材料连接领域，连接技术工程师需要逐张图像手动去统计分析剖面图像中特定的区域及关键指标参数。该方法的缺点是耗时耗力，且受主观因素影响较大，无法做到标准化流程。因此，针对海量的连接件剖面图像，如果能够快速准确地去做图像分割，通过深度学习模型来理解连接件剖面图像中每个像素所代表的真实内容，对研究连接工艺具有重要的指导意义。

发明内容

为了解决现有技术中存在的不足，本申请提出了一种基于深度学习的连接件剖面图像自动分割方法，利用深度学习算法和图像增强技术对材料连接过程中产生的剖面图像进行图像分割，克服现在工程师手动统计剖面图像的缺点，为实现连接件剖面图像的自动化、智能化、标准化分析提供技术支持。

本发明所采用的技术方案如下：

一种基于深度学习的连接件剖面图像自动分割方法，所述方法包括以下步骤：

步骤1，训练集制作：针对轻量化连接工艺，收集连接件的剖面图像作为样本图像，对每一张样本图像通过标注工具进行标注，标注出图像中不同板材、紧固件及其它关注区域位置，生成标注后样本图像对应的掩码图像及文本文件，并将其与原图一起作为训练样本；

步骤2，将训练样本进行图像增强处理，并生成对应的掩码图像及文本文件；

步骤3，选择或搭建基于图像实例分割的深度学习模型；

步骤4，针对选择或搭建的深度学习网络模型进行训练环境的搭建；

步骤5，设置深度学习网络模型的训练参数；

步骤6，将训练样本加入步骤3中选定的深度学习网络模型进行训练，训练完成后得到适用于该连接件剖面图像自动分割的深度学习模型；

步骤7，将待检测的图像输入步骤6中训练得到的深度学习网络模型，深度学习网络模型输出预测掩码图像，根据掩码图像中实例的分割效果，重复步骤5及步骤6进行模型优化。

进一步，所述轻量化连接工艺包括点焊、自冲铆接、无铆钉自冲铆接、热熔自攻螺钉、结构胶中的一种或者多种组合。