[发明专利]一种毛刺定位、毛刺检测模型的训练方法及装置

说明书

本申请提供了一种毛刺定位、毛刺检测模型的训练方法及装置，包括：获取待检测器件的待检测特征数据；所述待检测特征数据用于表征所述待检测特征器件的形状特征；将待检测特征数据输入至预先训练好的毛刺检测模型中，得到与待检测器件对应的置信度向量；所述置信度向量中不同元素的值表征所述待检测器件的不同位置存在毛刺的概率；基于置信度向量，确定待检测器件上的毛刺位置。通过这种方法，可以提高毛刺检测和定位的精度。

技术领域

本申请涉及图像识别技术领域，尤其是涉及一种毛刺定位、毛刺检测模型的训练方法及装置。

背景技术

O型器件是指中间镂空的正圆型器件，现有O型器件包括不易发生形变的刚性O型器件(如钢圈)、以及易发生形变的非刚性O型器件(如橡胶圈)。O型器件的毛刺是指O型器件边缘上非正常的凸起部分。

现有技术中在对O型器件的毛刺定位主要是通过尺寸测量的方法，测量O型器件边缘上的各个点到圆心的距离，将距离与半径的距离之间的差值大于预设差值的点所在的位置确定为毛刺的位置，但是由于非刚性O型器件容易发生形变，其测量过程中可能会导致器件发生形变而导致测量误差较大；另外，由于在选取O型器件边缘上的点时无法涵盖O型器件上的所有的点，因此可能会导致部分毛刺检测的遗漏。

发明内容

有鉴于此，本申请的目的在于提供一种毛刺定位、毛刺检测模型的训练方法及装置，以提高毛刺检测和定位的精度。

第一方面，本申请实施例提供了一种毛刺定位方法，包括：

获取待检测器件的待检测特征数据；所述待检测特征数据用于表征所述待检测特征器件的形状特征；

将所述待检测特征数据输入至预先训练好的毛刺检测模型中，所述毛刺检测模型包括多个卷积神经网络、以及全连接网络，不同所述卷积神经网络对应不同尺寸的卷积核，所述毛刺检测模型对所述待检测特征数据执行以下处理，直至得到与所述待检测器件对应的置信度向量；

使用各个所述卷积神经网络，对所述待检测特征数据进行卷积处理，得到每一个卷积神经网络分别对应的第一特征矩阵；

将所有所述卷积神经网络的第一特征矩阵进行特征融合，得到第二特征矩阵；

使用所述全连接网络对所述第二特征矩阵进行全连接处理，得到与所述待检测特征数据所对应的置信度向量；其中，所述置信度向量中不同元素的值表征所述待检测器件的不同位置存在毛刺的概率；

基于所述置信度向量，确定所述待检测器件上的毛刺位置。

一种可能的实施方式中，所述获取待检测器件的待检测特征数据，包括：

获取待检测器件的图像，并确定所述待检测器件的中心点以及所述待检测器件的边缘；

从所述待检测器件的边缘选取至少一个待检测点，并将每一个所述待检测点与所述中心点之间的距离值确定为待检测特征数据，其中，所述待检测数据中的距离值与所述待检测点一一对应。

一种可能的实施方式中，若所述待检测器件为圆环型器件或圆形器件，所述中心点为所述待检测器件的圆心。

一种可能的实施方式中，所述置信度向量中的每一个元素与所述待检测特征数据中的距离值一一对应，所述置信度向量中的每一个元素的元素值表示该元素所对应的待检测点存在毛刺的概率。

一种可能的实施方式中，从所述待检测器件的图像的边缘选取至少一个待检测点，包括：

以所述圆心为原点，以任意方向为x轴建立平面直角坐标系；

以预设角度为间隔，以所述圆心为起点做至少一条直线，并将每一条直线与所述边缘的交点确定为所述待检测点，并确定每一个所述待检测点在所述平面直角坐标系下的坐标；