[发明专利]一种基于小目标语义分割的工件检测方法

说明书

本发明公开一种基于小目标语义分割的工件检测方法，方法包括S1、根据垫片检测要求搭建目标检测算法；S2、采集多种类型的垫片图像，并进行预处理；S3、将预处理后的垫片图像分别制作成训练集和测试集；S4、将步骤S2制成的训练集放入目标检测算法当中进行训练；S5、将步骤S2制成的测试集放入步骤S4训练好的目标检测算法当中进行泛化测试；S6、根据测试结果来评判目标检测算法是否达到所要求的性能指标，主要是依托垫片检测项目，对所依托项目的生产对象垫片进行学习，最后能够对流水线上的垫片进行检测和定位，同时能识别遮挡的目标，实现了对垫片的高速度、高精度和非接触的检测与定位。

技术领域

本发明涉及流水线检测技术领域，尤其涉及一种基于小目标语义分割的工件检测方法。

背景技术

工厂流水线上生产的零件，尤其以各种细小零件最为常见，在生产的过程中，个别工件会出现重叠和遮挡的现象。传统的处理方法是，在专门的生产线中，对于遮挡的物体一般较难识别，需要现场工人用手去拨开才能准确识别。但这是落后的手段，效率低，成本高，并且由于工作时间增长，工人疲劳并且引起许多的漏检。针对这种情况。

发明内容

针对上述问题，本发明研制了一种基于小目标语义分割的工件检测方法，主要是依托垫片检测项目，对所依托项目的生产对象垫片进行学习，最后能够对流水线上的垫片进行检测和定位，同时能识别遮挡的目标。经过实验发现，不仅减轻检测的工作量，同时因性能稳定可靠能长时间运行，实现了对垫片的高速度、高精度和非接触的检测与定位。

本发明提出一种基于小目标语义分割的工件检测方法，具体是在流水线上检测大量工件的过程中，对某些重叠工件提升检测精度，最后提高工件检测系统的性能和效率，所述方法包括以下步骤：

S1、根据垫片检测要求搭建目标检测算法；

S2、采集多种类型的垫片图像，并进行预处理；

S3、将预处理后的垫片图像分别制作成训练集和测试集；

S4、将步骤S2制成的训练集放入所述目标检测算法当中进行训练；

S5、将步骤S2制成的测试集放入步骤S4训练好的所述目标检测算法当中进行泛化测试；

S6、根据测试结果来评判目标检测算法是否达到所要求的性能指标，若达标，则投入实际生产的检测工序中；若不达标，返回步骤S2。

进一步改进在于，所述步骤S1中目标检测算法的搭建具体包括：

分别搭建Backbone网络、目标区域检测网络和实例分割网络，所述Backbone网络采用resnet和FPN，所述目标区域检测网络采用FCOS Head结构，所述实例分割网络采用小目标语义分割结构。

进一步改进在于，所述步骤S2的预处理具体包括：

先后对采集到的垫片图像进行整理、清洗和标注，所述整理处理操作为对图片的尺寸方向进行调整，使得所有垫片图像统一成相同的格式；所述清洗处理操作为根据对生产要求对各种类型的垫片进行标签定义；所述标注处理操作为使用标注工具，在垫片标注上与之对应的类型标签，并生成标注文件作为训练正样本，将非垫片部分归类为训练负样本。

进一步改进在于，所述Backbon网络结构采用resnet-50，将输入图像resize设置为224x224x3，第一层采用64个7x7大小的卷积核进行步长为2的卷积操作；第二层为3x3，步长为2的最大池化操作；第三层到第十一层为第一组残差块操作，将图像尺寸降为56x56，通道上升至256；第十二层到第二十三层为第二组残差块操作，将图像尺寸降为28x28，通道上升为512；第二十四层到第四十一层为第三组残差块操作，将图像尺寸降为14x14，通道上升为1024；第四十二层到第五十层为第四组残差块操作，将图像尺寸降为7x7，通道上升为2048；最后一层不进行平均池化，接上特征金字塔网络FPN层，以获得图像的特征。