[发明专利]一种工件检测方法、模型训练方法及设备

说明书

本申请公开了一种工件检测方法、模型训练方法及设备，包括：利用第一组训练数据对第一层卷积神经网络进行训练，其中以原始图像样本作为输入，以能够用于确定工件图像的第一信息作为输出；原始图像样本包括正样本和负样本；利用第二组训练数据，对第二层卷积神经网络进行训练，其中以工件图像作为输入，以能够用于确定工件位置关键点图像的第二信息作为输出；利用第三组训练数据，对第三层卷积神经网络中的N个卷积神经网络进行训练，其中在每次对第三层卷积神经网络中的任一个卷积神经网络进行训练时，以一个工件位置关键点图像作为输入，以该工件位置关键点的坐标作为输出。本申请能够有效提升工件检测的检测效率、检测精度以及适用范围。

技术领域

本发明涉及工件检测技术领域，特别涉及一种工件检测方法、模型训练方法及设备。

背景技术

在工件制造、装配和检测过程中,对工件进行自动识别和定位等检测是非常重要的,它可以大大地推进生产的自动化程度，提升生产效率。自动识别定位技术有很多种，其中视觉识别定位技术以其非接触、采样周期短、柔性和智能化等优点迅速得到了广泛的应用。

然而，传统的视觉识别定位方法主要基于人工设计的特征，比如利用大量的特征点、特征线段和特征区域来实现识别和定位。其中基于图像特征线段和特征区域的方法在很大程度上依赖于图像的分割和边缘提取，这两种操作本身具有相当大的难度和计算量，一旦待检测目标局部发生变化(如部分遮挡或特征线断裂)，则很可能导致图像的分割和边缘提取操作的失败,使得算法的效率和稳健性不高，制约了这两种方法的适用性。基于特征点的方法计算量大，需要很多特征点，一旦目标物体没有足够的特征点，很可能导致匹配的失败。

综上所述可以看出，如何提升工件检测的检测效率、检测精度以及适用范围是目前有待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种工件检测方法、模型训练方法及设备，能够有效提升工件检测的检测效率、检测精度以及适用范围。其具体方案如下：

第一方面，本发明公开了一种工件检测模型训练方法，包括：

获取第一组训练数据、第二组训练数据和第三组训练数据；

利用所述第一组训练数据，对第一层卷积神经网络进行训练，得到第一训练模型；其中，在对所述第一层卷积神经网络进行训练时，以原始图像样本作为输入，以能够用于确定工件图像的第一信息作为输出；所述原始图像样本包括不含有工件的图像样本以及含有若干个工件的图像样本，并且，不同的工件图像与不同的工件之间呈一一对应关系；

利用所述第二组训练数据，对第二层卷积神经网络进行训练，得到第二训练模型；其中，在对所述第二层卷积神经网络进行训练时，以工件图像作为输入，以能够用于确定工件位置关键点图像的第二信息作为输出，并且，每个工件图像均对应于N个工件位置关键点，N为大于1的整数；

利用所述第三组训练数据，对第三层卷积神经网络中的N个卷积神经网络进行训练，得到N个第三训练模型；其中，在每次对所述第三层卷积神经网络中的任一个卷积神经网络进行训练时，以一个工件位置关键点图像作为输入，以该工件位置关键点的坐标作为输出。

可选的，所述第一信息为位于所述第一组训练数据中的能够反映感受野区域上包含工件或不包含工件的概率的热图；

所述第二信息为位于所述第二组训练数据中的工件位置关键点相对于工件图像的坐标；

所述第三训练模型输出的工件位置关键点的坐标为工件位置关键点相对于工件图像的坐标。

可选的，所述获取第一组训练数据，包括：

获取通过图像采集的方式得到的原始采集图像；

对所述原始采集图像进行位移和/或缩放和/或旋转处理得到处理后图像；

将所述原始采集图像和所述处理器后图像作为所述原始图像样本。