[发明专利]一种基于深度学习的机器人立体视觉机械零件检测方法

说明书

本发明公开了一种基于深度学习的机器人立体视觉机械零件检测方法，包括：获取待检测工件的双目立体图像，对双目立体图像进行处理后依次计算匹配代价C(x,y,d)、SAD代价；根据SAD代价得到视差图，将视差图转化为深度信息；对双目图像进行标定，对标定后的双目图像进行处理，分别得到双目图像的不同尺度特征图；将双目图像的不同尺度特征图融合后，与深度信息进行融合，完成三维的零件检测。增大图像分辨率，既可以增加图像清晰度，又可以防止网络过拟合造成的梯度消失或梯度爆炸问题；将双目图像的特征图与深度信息融合后，实现机械零件的三维立体检测，提高机器检测的准确率及工作效率。

技术领域

本发明属于零件检测方法技术领域，涉及一种基于深度学习的机器人立体视觉机械零件检测方法。

背景技术

机器学习的发展，推动了包括视觉、语音、自动驾驶、机器人等多个领域的发展。传统机器学习在处理问题时需要相当多繁琐的过程，如语言转化为计算机所能理解的的内部数据、设计迭代器、特征提取器、优化器等，所以技术复杂且效果一般。而深度学习技术简单通用，泛化性强，可处理庞大的数据量，而且可以实现自主学习(参考文献[1]:Lecun Y,Bengio Y,Hinton G.Deep learning.[J].Nature,2015,521(7553):436.)。在其应用领域中，发展最好的当属计算机视觉领域。以计算机视觉为例，目前深度学习技术在工业机器人视觉领域发展迅速(参考文献[2]:李超波,李洪均,徐晨.深度学习在图像识别中的应用[J].南通大学学报(自然科学版),2018,v.17；No.64(01):5-13.)，在机械工业行业，该技术在机械零件定位、检测识别及几何测量(参考文献[3]:Deng B,Wang Z,Jin Y,etal.Multi-pose system for geometric measurement of large-scale assembledrotational parts[J].Measurement Science and Technology,2017,28(5):055011.)等方面有了突破性进展。然而，仅仅针对普通二维平面图像进行定位、检测识别等工作而言，其所面对的仅为平面化的场景，以二维像素数组的方式表现，丢失了深度等方向的重要信息，因此不完全适用于真实场景。

现有的机械零件检测方法包括现场人工检测及机器检测识别方法，人工检测效率较低，机器检测识别方法为二维图像的检测识别方法，无法直接用于三维图像处理的问题，降低了检测准确率。

发明内容

本发明的目的是提供一种基于深度学习的机器人立体视觉机械零件检测方法，解决了现有技术中存在的二维图像检测识别方法或人工检测方法效率较低的问题。

本发明所采用的技术方案是，一种基于深度学习的机器人立体视觉机械零件检测方法，包括：

获取待检测工件的双目立体图像，对双目立体图像进行处理后依次计算匹配代价C(x,y,d)、SAD代价；根据SAD代价得到视差图，将视差图转化为深度信息；对双目图像进行标定，对标定后的双目图像进行处理，分别得到双目图像的不同尺度特征图；将双目图像的不同尺度特征图融合后，与深度信息进行融合，完成三维的零件检测。

本发明的特点还在于：

具体包括以下步骤：

步骤1、获取待检测工件的双目立体图像数据，并对双目立体图像数据进行映射处理，得到映射后的图像f₁(x,y)；

步骤2、计算图像f₁(x,y)的匹配代价C(x,y,d)：

上式中，L(x+i,y+i)表示表示梯度代价，R(x+d+i,y+j)表示SAD，d表示视差值；

步骤3、对匹配代价进行叠加得到SAD代价：