基于卷积神经网络的目标物体弯曲度测量方法技术

本发明专利技术涉及一种基于卷积神经网络的目标物体弯曲度测量方法，包括：利用3Dmax软件对实际工程需要环境、被测物样式进行目标物的仿真图片制作；制作贴放于目标物表面的模拟特征靶标物；第三步：利用3Dmax软件的脚本系统批量制作训练集；搭建训练网络，训练网络基于TensorFlow神经网络框架，结合实际工程环境及需求，构建卷积神经网络识别系统；第六步：基于TensorFlow神经网络框架，构建测试用数据集，在实际环境中任意调整实际模型的曲率大小以及模型与相机的位置偏移进行拍照获取二维图像，投入训练好的卷积神经网络，得到测试结果。

【技术实现步骤摘要】
基于卷积神经网络的目标物体弯曲度测量方法
本专利技术属于计算机视觉领域，涉及卷积神经网络在测量实际物体弯曲度中的应用。
技术介绍
机器视觉是基于对人类视觉研究的基础上衍生出的一门新兴学科,它是人工智能领域一个新的研究热点。近年来,大量的研究人员从事着视觉领域各方面技术的研究,希望突破多方面的限制,使机器视觉技术能够更加成熟。机器视觉技术作为重要的检测测量技术已经应用于很多重要的工业、军事领域中,例如生物医学,环境科学,纺织,航天等。机器视觉系统根据获取图像的传感器个数的不同可以分为单目视觉测量系统,双目视觉测量系统和多目视觉测量系统等。其中，单目视觉测量法设备要求简单，在实际工业需求中较易实现。单目视觉利用一个视觉传感器来捕捉图像信息,视场范围较双目视觉或多目视觉要大得多,不需要进行立体匹配,具有广泛适用性。利用单目视觉来对目标物体的弯曲度测量的结构简单,成本低,对场地环境要求较低。
技术实现思路
本专利技术的目的是提供一种可以提高物体弯曲度测量精度与测量速度的方法。将深度学习策略引入物体弯曲度测量过程。利用3Dmax软件模拟实际测量环境，同时制作实际测量所需仿真训练图片，利用软件特性，制作大量具有不同曲率的目标物体作为训练标签，同时改变相机与目标物体的位置关系获取其二维图片信息，构成训练集。通过制作大量训练集投入卷积神经网络进行图像特征提取，优化网络参数，最终实现更高精度测量。技术方案如下：一种基于卷积神经网络的目标物体弯曲度测量方法，包括下列步骤：第一步：利用3Dmax软件对实际工程需要环境、被测物样式进行目标物的仿真图片制作。第二步：结合实际情况，制作贴放于目标物表面的模拟特征靶标物。第三步：利用3Dmax软件的脚本系统批量制作训练集。训练集的制作参数如下：目标物的曲率半径设置为0.05米至0.1米，以0.001米为步幅改变目标物体的曲率进行样本取材。同时设置目标物体距离相机正对位置X轴偏移0.5米至1米，以0.01为步幅，目标正对位置偏移将在Y轴、Z轴两维度坐标轴±0.1米之内，以0.01米为步幅进行样本取材，制作有标注训练样本。第四步：将收集好的训练集进行格式转换，使之符合神经网络输入层的数据格式。第五步：搭建训练网络，训练网络基于TensorFlow神经网络框架，结合实际工程环境及需求，构建卷积神经网络识别系统。第六步：基于TensorFlow神经网络框架，构建测试用数据集，在实际环境中任意调整实际模型的曲率大小以及模型与相机的位置偏移进行拍照获取二维图像，投入训练好的卷积神经网络，得到测试结果。本专利技术所采用的基于深度学习的目标物体弯曲度测量克服传统测量方法中存在的误差大、计算复杂的问题，通过卷积神经网络的结构设计，加之高精度、大范围样本的不断训练学习，最终能将测量输出目标曲率误差控制在3毫米之内。同时，利用贴合实际工程的卷积神经网络实现实时测量，每秒钟测量图片数可达到50张及以上(fps＞50)，从而即时输出高精度测量结果。具体实施方式第一步：构建训练集。利用3Dmax软件对实际工程需要环境、被测物样式进行仿真图片制作。仿真图片效果应贴合实际工程测量环境。由于训练图片数据量较大，若通过人工制作模型，自行拍摄制作数据集将耗费大量的人力物力，故仿真数据集制作方案最为妥当。第二步：结合实际情况，在仿真软件上制作贴放于目标物表面的模拟特征靶标物。第三步：利用3Dmax软件的脚本系统批量制作训练集。训练集的制作如下表1所示。目标物体的曲率半径将设置为0.05米至0.1米，以0.001米为步幅改变目标物体的曲率进行样本取材。为保证不同位置和正对偏移量情况下的曲率准确测量，同时设置目标物体距离相机正对位置X轴偏移0.5米至1米，以0.01为步幅，目标正对位置偏移将在Y轴、Z轴两维度坐标轴±0.1米之内，以0.01米为步幅进行样本取材，共所需训练的样本数据集总量为51*51*21*21个图片样本，即1147041个有标注训练样本。表1.样本参数设置曲率半径/mX轴/mY轴/mZ轴/m范围0.05-0.10.5-1±0.1±0.1步长0.0010.010.010.01总计51512121第四步：将收集好的训练集进行格式转换，使之符合神经网络输入层的数据格式。第五步：搭建训练网络，训练网络将基于TensorFlow神经网络框架，结合实际工程环境及需求，构建高精度卷积神经网络识别系统，提高识别准确率，以增加识别精度。第六步：基于TensorFlow神经网络框架，进行测试程序构建。与此同时，构建测试用数据集，在实际环境中任意调整实际模型的曲率大小以及模型与相机的位置偏移进行拍照获取二维图像，投入训练好的卷积神经网络，得到测试结果。本专利技术将深度学习策略引入物体弯曲度测量过程。利用3Dmax软件模拟实际测量环境，同时制作实际测量所需仿真训练图片，利用软件特性，制作大量具有不同曲率的目标物体作为训练标签，同时改变相机与目标物体的位置关系获取其二维图片信息，构成训练集。通过制作大量训练集投入卷积神经网络进行图像特征提取，优化网络参数，最终实现更高精度测量。本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的目标物体弯曲度测量方法，包括下列步骤：第一步：利用3Dmax软件对实际工程需要环境、被测物样式进行目标物的仿真图片制作。第二步：结合实际情况，制作贴放于目标物表面的模拟特征靶标物；第三步：利用3Dmax软件的脚本系统批量制作训练集；训练集的制作参数如下：目标物的曲率半径设置为0.05米至0.1米，以0.001米为步幅改变目标物体的曲率进行样本取材；同时设置目标物体距离相机正对位置X轴偏移0.5米至1米，以0.01为步幅，目标正对位置偏移将在Y轴、Z轴两维度坐标轴±0.1米之内，以0.01米为步幅进行样本取材，制作有标注训练样本；第四步：将收集好的训练集进行格式转换，使之符合神经网络输入层的数据格式；第五步：搭建训练网络，训练网络基于TensorFlow神经网络框架，结合实际工程环境及需求，构建卷积神经网络识别系统；第六步：基于TensorFlow神经网络框架，构建测试用数据集，在实际环境中任意调整实际模型的曲率大小以及模型与相机的位置偏移进行拍照获取二维图像，投入训练好的卷积神经网络，得到测试结果。

【技术特征摘要】
1.一种基于卷积神经网络的目标物体弯曲度测量方法，包括下列步骤：第一步：利用3Dmax软件对实际工程需要环境、被测物样式进行目标物的仿真图片制作。第二步：结合实际情况，制作贴放于目标物表面的模拟特征靶标物；第三步：利用3Dmax软件的脚本系统批量制作训练集；训练集的制作参数如下：目标物的曲率半径设置为0.05米至0.1米，以0.001米为步幅改变目标物体的曲率进行样本取材；同时设置目标物体距离相机正对位置X轴偏移0.5米至1米，以0.01为步幅，目标正对位置偏移将...

【专利技术属性】
技术研发人员：杨嘉琛，奚萌，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12