[發明專利]一種基于深度學習的工業零件關鍵點檢測方法

有效

• 申請號: 201910844922.3
• 申請日: 2019-09-07
• 公開（公告）號: CN110705563B
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 張發恩;劉洋;黃家水;唐永亮
• 申請（專利權）人: 創新奇智（重慶）科技有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62
• 代理公司: 北京中南長風知識產權代理事務所(普通合伙) 11674
• 代理人: 鄭海

1.一種基于深度學習的工業零件關鍵點檢測方法，其特征在于：具體包括以下步驟：

S1：訓練關鍵點檢測深度神經網絡：構建由三條子網絡組成的關鍵點檢測深度神經網絡，每條子網絡之間采用多尺寸特征圖融合技術進行特征融合，

S1.1：第一條子網絡的輸入是原分辨率的圖像，經過通過九個卷積層，形成第一路特征輸出圖1；

S1.2：第二條子網絡的輸入是第一條子網絡第二層卷積層的輸出，然后經過七個卷積層，形成第二路特征輸出圖2；

S1.3：第三條子網絡的輸入是第一條子網絡第六個卷積層的輸出和第二條子網絡第四個卷積層融合的結果，再經過三個卷積層得到第三路特征輸出圖3；

S1.4：三條子網絡將分別與每條子網絡之間的多尺寸特征圖融合技術進行特征圖的融合，所述多尺寸特征圖融合技術包括：對于不同尺寸的特征圖融合，從小分辨率往大分辨率融合時，先通過1*1的卷積核，再利用鄰域采樣的方式進行上采樣，在形成統一尺寸的特征圖后，進行特征融合；從大往小分辨率融合時，先通過3*3的卷積核，在利用最大值采樣，對目標特征圖進行下采樣，形成統一尺寸特征圖后，進行特征融合；

S1.5：最后輸出三層特征輸出圖的融合結果；

S1.6：構建熱力圖的回歸損失函數進行匹配校準，

S2：將待檢測的圖像輸出到訓練關鍵點檢測深度神經網絡，利用訓練得到的關鍵點檢測深度神經網絡檢測到關鍵點，再利用關鍵點對工業零件進行匹配校準。

2.根據權利要求1所述的一種基于深度學習的工業零件關鍵點檢測方法，其特征在于：每條所述子網絡包含若干個3*3，步長為1到2的卷積核。

3.根據權利要求1所述的一種基于深度學習的工業零件關鍵點檢測方法，其特征在于：所述熱力圖的回歸損失函數中，損失函數是以高斯分布為基礎，形成熱力圖，對熱力圖進行回歸，一個通道擔負回歸一個關鍵點的任務，最終的損失函數是所有輸出通道上，預測熱力圖和真實熱力圖，所有位置的均方誤差之和。

4.根據權利要求3所述的一種基于深度學習的工業零件關鍵點檢測方法，其特征在于：所述所有位置的均方誤差之和公式為：