基于轮廓提取的工业图像特征识别方法及系统.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CN109063708A(43)申请公布日2018.12.21(21)申请号201810645620.9(22)申请日2018.06.21(71)申请人歌尔股份有限公司地址261031山东省潍坊市高新技术产业开发区东方路268号(72)发明人王剑龙徐相英(74)专利代理机构北京鸿元知识产权代理有限公司11327代理人陈英俊袁文婷(51)Int.Cl.G06K9/34(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书1页说明书5页附图1页(54)发明名称基于轮廓提取的工业图像特征识别方法及系统(57)摘要本发明提供一种基于轮廓提取的工业图像特征识别方法及系统，其中的方法包括：提取工业原始图像的特征轮廓信息，获取工业原始图像的各部分检测区域的位置信息；对各部分检测区域进行特征识别检测；对各部分检测区域的检测结果进行整合，并将整合后的检测结果返回。利用本发明，能够解决目前难度较大的图像处理主要靠人工识别的问题。CN109063708ACN109063708A权利要求书1/1页1.一种基于轮廓提取的工业图像特征识别方法，包括：提取工业原始图像的特征轮廓信息，根据所述特征轮廓信息划分所述工业原始图像的各部分检测区域，以及确定各部分检测区域的位置；对所述各部分检测区域进行特征识别检测；对所述各部分检测区域的检测结果进行整合，并将整合后的检测结果返回。2.如权利要求1所述的基于轮廓提取的工业图像特征识别方法，其中，通过深度学习模型提取工业原始图像的特征轮廓信息，所述特征轮廓信息包括：对检测区域区分定位、对检测区域裁切和缩放。3.如权利要求1所述的基于轮廓提取的工业图像特征识别方法，其中，通过训练深度学习模型对所述各部分检测区域进行特征识别检测。4.如权利要求3所述的基于轮廓提取的工业图像特征识别方法，其中，在通过训练深度学习模型对所述各部分检测区域进行特征识别检测的过程中，采用多个GPU运行所述各部分检测区域。5.如权利要求1所述的基于轮廓提取的工业图像特征识别方法，其中，通过工业相机拍摄图像获取工业原始图像。6.一种基于轮廓提取的工业图像特征识别系统，包括：特征轮廓提取模块，用于提取工业原始图像的特征轮廓信息，根据所述特征轮廓信息划分所述工业原始图像的各部分检测区域，以及确定各部分检测区域的位置；特征识别检测模块，用于对所述各部分检测区域进行特征识别检测；检测结果整合返回模块，用于对所述各部分检测区域的检测结果进行整合，并将整合后的检测结果返回。7.如权利要求6所述的基于轮廓提取的工业图像特征识别系统，其中，所述特征轮廓提取模块通过深度学习模型提取工业原始图像的特征轮廓信息，所述特征轮廓信息包括：对检测区域区分定位、对检测区域裁切和缩放。8.如权利要求6所述的基于轮廓提取的工业图像特征识别系统，其中，所述特征识别检测模块通过训练深度学习模型对所述各部分检测区域进行特征识别检测。9.如权利要求8所述的基于轮廓提取的工业图像特征识别系统，其中，所述特征识别检测模块在通过训练深度学习模型对所述各部分检测区域进行特征识别检测的过程中，采用多个GPU运行所述各部分检测区域。2CN109063708A说明书1/5页基于轮廓提取的工业图像特征识别方法及系统技术领域[0001]本发明涉及图像特征识别技术领域，更为具体地，涉及一种基于轮廓提取的工业图像特征识别方法及系统。背景技术[0002]近几年深度学习技术在图像信息理解方面取得了突破性进展，深度学习在图像分类准确率逐渐达到工业特征检测要求的准确率，由于工业检测中有相当一部分问题传统图像处理解决难度较大目前主要靠人工识别，因此需要考虑工业检测全自动化工厂需要替代人工识别，其中，深度学习的图像检测机制三部分：1、模型及相关参数载入；2、原始图像获取；3、算法检测结果回传。深度学习图像处理方面主要的方向有：分类、检测、分割。[0003]深度学习图像分类模型在做图像分类(可扩展卷积神经网络做图像分类的相关技术，其中，做图像分类可采用多种方法进行分类，可扩展卷积神经网络技术是做图像分类中的一种技术)，最终的输出为图像的类别和图像类别的置信度，其中，深度学习图像检测模型在做图像检测(如：fasterRCNNRFCNYOLO等技术)时，每种方法都有自己提取候选框的方式，针对候选框做筛选后对所检测的模型完成分类和位置确认，最终会返回图像类别置信度和当前框的位置信息。深度学习图像分割模型在做图像分割时返回的是：标注信息的掩码根据掩码的不同色彩值区分不同的类别；对抗神经网络(GAN)其中的一项应用是做分割的训练，返回分割训练结果(mask掩码)与深度学习图像分割模型在图像分割时标注信息的掩码一致。发明内容