[发明专利]一种用于图像深度学习的数据采集方法

说明书

本发明涉及一种用于图像深度学习的数据采集方法：将产品放置于背光光源的表面，然后通过计算机发出控制多轴运动的指令，水平运动轴和水平运动轴接收指令后在平面内带动产品做随机位移运动，同时，升降运动轴、倾斜运动轴、俯仰运动轴接收指令后带动工业相机在空间内做升降、倾斜、俯仰运动；当工业相机运动到空间某一位置时，计算机发出控制光源照明的指令，控制系统内腔环置的不同方位的平板光源、相机搭载的环形光源以及产品下置的背光光源的通断，在一段时间内的工业相机追踪产品位置进行不同条件下的空间拍摄，模拟实际各种拍摄条件，获得数据集。

技术领域

本发明涉及一种用于图像深度学习的数据采集系统。

背景技术

在产品生产和应用过程中，对产品表面检测和识别分类是至关重要的一个环节。随着计算机技术的发展，对产品表面检测识别从依靠人工进行发展到了通过数字图像处理技术实现自动化检测。但传统的数字图像处理技术对图像获取环境要求高，当图像采集环境稍加改变，便会带来对物体识别准确率降低的问题。近年来，随着人工智能技术兴起，通过深度学习的方法对图像识别检测成为一种更加可靠的方式，卷积神经网络作为深度学习的代表算法之一，对二维图像处理表现突出，特别是在识别位移、缩放及其它形式扭曲不变性的图像中具有良好的鲁棒性和较高的运算效率。然而，深度学习的训练需要有足够庞大的数据集支撑，传统的扩充数据集的方法主要通过图像处理手段，即在原有数据基础上进一步丰富数据集，这种方法存在一定的局限性，这也是制约图像深度学习应用于各行业产品表面检测和识别分类的一大难题。目前，在产品表面数据集获取方面主要存在以下问题：

(1)从数据集采集方式考虑，传统数据集采集方式单一化、理想化，不能充分说明实际应用过程中图像采集的情况。

(2)从数据集本身考虑，现阶段所获取的数据量少且丰富度不够；

(3)从数据集采集过程考虑，数据集采集周期长，需要大量的人力物力，成本较高。

发明内容

针对上述问题，本发明的目的是提供一种用于图像深度学习的数据采集方法，可以全面模拟不同实际场景下的拍摄情况，以解决传统数据集创造方式单一化、理想化、数据量少且丰富度不够等难题。为实现上述目的，本发明采取以下技术方案：

一种用于图像深度学习的数据采集方法，所采用的数据采集系统，包括置于系统内腔的工业相机、位移机构、多方位照明光源和计算机，其特征在于，

工业相机用于采集不同位姿、不同光照情况下产品表面图像，进行数据集获取；

位移机构，包括水平运动轴系、升降运动、倾斜运动轴和俯仰运动轴，水平运动轴系由水平运动轴X和水平运动轴Y构成，用于带动待测产品在平面内运动；升降运动、倾斜运动轴和俯仰运动轴与工业相机相连接，用于搭载工业相机进行升降、倾斜或俯仰运动，实现对产品表面不同空间角度的拍摄；

多方位照明光源，包括在系统内腔环置的不同角度的平板光源、搭载在工业相机镜头上的环形光源以及设置在待测产品下方的背光光源；

计算机，用于控制位移机构的动作和多方位照明光源。

数据采集包括下列步骤：

(1)将产品4放置于背光光源3的表面，然后通过计算机1发出控制多轴运动的指令，水平运动轴X5和水平运动轴Y6接收指令后在平面内带动产品4做随机位移运动，同时，升降运动轴7、倾斜运动轴8、俯仰运动轴9接收指令后带动工业相机10在空间内做升降、倾斜、俯仰运动；

(2)当工业相机10运动到空间某一位置时，计算机1发出控制光源照明的指令，控制系统内腔环置的不同方位的平板光源2、相机搭载的环形光源11以及产品4下置的背光光源3的通断，接着通过调整工业相机10的聚焦位置采集这一状态下的产品4的图像，在一段时间内的工业相机追踪产品位置进行不同条件下的空间拍摄，模拟实际各种拍摄条件，获得大量且丰富的数据集。