【技术实现步骤摘要】
基于图像识别物体打磨位置的方法及系统
[0001]本申请涉及图像识别领域,且更为具体地,涉及一种基于图像识别物体打磨位置的方法及系统。
技术介绍
[0002]近年来,随着物联网、人工智能、图像处理等技术的发展,智能化图像识别技术被应用到越来越多的行业,大大提高了工业生产的自动化程度。图像识别技术是通过对图像采集设备采集的图片进行处理、分析和理解,以识别和获取各种不同模式的目标和对象的技术。
[0003]例如,申请号为202110962704.7的中国专利公开了一种机器人视觉识别及定位方法、智能终端及存储介质,包括:获取待识别图像;其中,所述待识别图像中包括若干待拆卸部件;将所述待识别图像输入图像识别模型,通过所述图像识别模型输出各个待拆卸部件对应的类别信息和图像位置信息;根据所述图像位置信息以及预先确定的相机到机器人末端的转换矩阵,确定所述各个待拆卸部件对应的目标位置信息。该专利技术通过图像识别模型输出各个待拆卸部件的类别信息及图像位置信息,并根据图像位置信息确定目标位置信息,可以精确识别待拆卸部件的类别信息并精确定位待拆卸部件的位置信息,实现共享单车的自动分类拆卸与共享单车零件的循环利用,解决人工暴力拆卸造成的资源浪费问题。
[0004]再如,申请号为202010884213.0的中国专利公开了目标物的抓取方法、装置、系统、存储介质及设备。其中,目标物的抓取方法包括:获取目标物的目标物图像;将目标物图像输入识别模型,以得到目标物的特征信息;基于特征信息,生成抓取指令,目标物通过抓取指令控制执行器抓取 ...
【技术保护点】
【技术特征摘要】
1.一种基于图像识别物体打磨位置的方法,其特征在于,包括:获取由摄像头采集的待打磨产品图像;将所述待打磨产品图像通过作为浅层特征图提取器的第一卷积神经网络模型以得到产品浅层特征图;将所述产品浅层特征图通过空间注意力模块以得到空间增强产品浅层特征图;将所述空间增强产品浅层特征图通过作为深层特征提取器的第二卷积神经网络模型以得到产品深层特征图;融合所述产品深层特征图和所述空间增强产品浅层特征图以得到产品特征图;对所述产品特征图进行特征去冗余化处理以得到优化后产品特征图;对所述优化后产品特征图进行沿通道维度的全局均值池化以得到产品特征矩阵;将所述产品特征矩阵通过基于扩散模型的三维模型生成器以得到产品三维模型图;基于所述产品三维模型图,计算待打磨产品的表面粗糙度和几何误差,并基于所述待打磨产品的表面粗糙度和几何误差确定打磨位置和打磨参数;将所述打磨位置和所述打磨参数输送给打磨机器人。2.根据权利要求1所述的基于图像识别物体打磨位置的方法,其特征在于,所述第一卷积神经网络模型包含3
‑
5个卷积层。3.根据权利要求2所述的基于图像识别物体打磨位置的方法,其特征在于,将所述待打磨产品图像通过作为浅层特征图提取器的第一卷积神经网络模型以得到产品浅层特征图,包括:使用所述作为浅层特征图提取器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为浅层特征图提取器的第一卷积神经网络的最后一层的输出为所述产品浅层特征图,所述作为浅层特征图提取器的第一卷积神经网络的第一层的输入为所述待打磨产品图像。4.根据权利要求3所述的基于图像识别物体打磨位置的方法,其特征在于,将所述产品浅层特征图通过空间注意力模块以得到空间增强产品浅层特征图,包括:使用所述空间注意力模块的卷积层对所述产品浅层特征图进行卷积编码以得到空间注意力图;将所述空间注意力图输入所述空间注意力模块的Softmax激活函数以得到空间注意力得分图;以及计算所述空间注意力得分图和所述产品浅层特征图的按位置点乘以得到所述空间增强产品浅层特征图。5.根据权利要求4所述的基于图像识别物体打磨位置的方法,其特征在于,将所述空间增强产品浅层特征图通过作为深层特征提取器的第二卷积神经网络模型以得到产品深层特征图,包括:使用所述作为深层特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为深层特征提取器的第二卷积神经网络...
【专利技术属性】
技术研发人员:邓清凤,伍强,黄渠洪,黄剑,
申请(专利权)人:成都睿瞳科技有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。