基于深度学习的孔心检测方法及其孔心检测装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113689495A(43)申请公布日2021.11.23(21)申请号202110886284.9(22)申请日2021.08.03(71)申请人湖南视比特机器人有限公司地址410000湖南省长沙市高新开发区岳麓西大道588号芯城科技园2栋1505室(72)发明人邓俊杰叶云帆(74)专利代理机构北京景闻知识产权代理有限公司11742代理人朱鸿雁(51)Int.Cl.G06T7/73(2017.01)G06K9/46(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书2页说明书8页附图1页(54)发明名称基于深度学习的孔心检测方法及其孔心检测装置(57)摘要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。CN113689495ACN113689495A权利要求书1/2页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。2CN113689495A权利要求书2/2页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。3CN113689495A说明书1/8页基于深度学习的孔心检测方法及其孔心检测装置技术领域[0001]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[0002]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