[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

本發明公開了工業視覺領域的一種基于深度學習的工業零件關鍵點檢測方法，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，每條所述子網絡包含若干個3*3，步長為1到2的卷積核，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；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，應用于軸承工件關鍵點檢測的卷積神經網絡結構，該網絡結構包含一種新穎的特征圖融合技術和目標損失函數，可有效提高關鍵點檢測準確率。

技術領域

本發明涉及工業視覺技術領域，具體為一種基于深度學習的工業零件關鍵點檢測方法。

背景技術

針對目前基于傳統圖像的關鍵點匹配技術中，對于圖像處理技術，往往需要關鍵點匹配技術來找到兩張圖片的仿射變換關系。首先通常通過像素灰度值，利用角點檢測算法檢測關鍵點；然后利用局部描述子，如SIFT，ORB等，對每一個關鍵點進行描述。這樣就形成了，關鍵點和描述子，一一配對的關系。尋找仿射關系時，首先在當前圖片上檢測關鍵點及其描述子，然后通過描述子，找到兩張圖中關鍵點最接近的點，形成點對，通過大量點對就能找到兩張圖之間的仿射變換關系。

但是存在缺陷：傳統方法受圖像質量制約很大，不同的陰影，變形，旋轉都會對關鍵點的檢測和描述子產生較大影響，也就意味著傳統方法很容易形成錯誤匹配，對圖片變換和環境變換很敏感，穩定性和魯棒性不夠。

基于此，本發明設計了一種基于深度學習的工業零件關鍵點檢測方法，應用于軸承工件關鍵點檢測的卷積神經網絡結構，該網絡結構包含一種新穎的特征圖融合技術和目標損失函數，可有效提高關鍵點檢測準確率，以解決上述提到的問題。

發明內容

本發明的目的在于提供一種基于深度學習的工業零件關鍵點檢測方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：一種基于深度學習的工業零件關鍵點檢測方法，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；

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。

優選的，每條所述子網絡包含若干個3*3，步長為1到2的卷積核。

優選的，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。