一种基于深度学习的无铆钉铆接接头剖面图像分割方法技术

本发明专利技术提供一种基于深度学习的无铆钉铆接接头剖面图像分割方法，针对轻量化连接工艺获取无铆钉铆接剖面图像作为样本图像，构建初始数据集；分割模型采用基于卷积神经网络(CNN)的编码器

【技术实现步骤摘要】
一种基于深度学习的无铆钉铆接接头剖面图像分割方法


[0001]本专利技术主要涉及图像分割与计算机视觉相关
，具体是一种基于深度学习的无铆钉铆接接头剖面图像分割方法。

技术介绍

[0002]节能与环保是当今汽车工业普遍关注的问题，其中轻量化和安全性是汽车车身设计和制造的永恒目标。在汽车制造中，铝合金、钛合金、复合材料等新的轻型材料被广泛应用。其中，铝合金具有密度小、强度高、导电性好、可加工性好等优点，已经成为汽车生产中常用的材料之一。同时，钛合金具有强度高、耐腐蚀、比强度高等特点，也逐渐被用于汽车制造。此外，复合材料如碳纤维增强塑料，不仅具有轻量化和高强度的特点，还有良好的吸能、抗冲击性能，在汽车制造中也被广泛应用。因此开发一种可靠、快速的异种材料连接技术，避免特殊的表面处理，降低连接时间和成本是至关重要的。无铆钉铆接是近年来发展起来的新型连接技术，适用于异种材料、非金属材料等难焊接材料的连接，它可以极大地降低车身重量。无铆钉铆接结构具有无裂纹、疲劳寿命长、吸能性优异、密封性好等优点，可以减少车辆的气动阻力和油耗，并且无需使用紧固件，从而降本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的无铆钉铆接接头剖面图像分割方法，其特征在于，包括如下步骤，步骤一：采集图像数据，包括采集无铆钉铆接件的剖面图像数据，对每一张样本图像进行标注，生成样本图像对应的标签图像，并构建初始数据集；步骤二：数据预处理，包括对初始数据集进行数据增强，使其适合于深度学习模型的输入；步骤三：构建深度学习模型，包括基于深度学习框架，使用DeepLabv3+模型设计连接件剖面图像DeepLabv3+分割模型，模型包括编码器和解码器部分，编码器用于提取图像的特征，解码器用于对特征进行重建以获得图像分割结果；步骤四：模型训练，包括设置DeepLabv3+分割模型的训练参数，使用数据增强后的初始数据集对模型进行训练，优化模型的参数和权重；步骤五：图像分割，包括利用训练好的DeepLabv3+分割模型，对采集到的无铆钉铆接剖面图像进行分割，得到剖面图像的特征指标。2.根据权利要求1所述的基于深度学习的无铆钉铆接接头剖面图像分割方法，其特征在于，步骤一中，无铆钉铆接件的剖面图像数据包括各种材料和不同连接方式的图像，通过标注工具对每一张样本图像进行标注。3.根据权利要求2所述的基于深度学习的无铆钉铆接接头剖面图像分割方法，其特征在于，步骤一中，标注工具可以使用Labelme、CVAT、VIA、PixlAnnotationTool、EISeg中的一种或者多种组合，根据材料对截面进行分类，以表征关节形状，标注出上板和下板其他区域作为背景，生成样本图像对应的标签图像，来获得无铆钉铆接剖面的图像数据集。4.根据权利要求1所述的基于深度学习的无铆钉铆接接头剖面图像分割方法，步骤二中，对初始数据集进行数据增强具体包括对初始数据集中的样本图像进行尺度随机的平移、翻转、旋转、裁剪、缩放的操作；数据增强工具选择OpenCV、Imgaug、Skimage、PIL、Augmentor、Albumentations中的一种或者多种组合。5.根据权利要求1所述的基于深度学习的无铆钉铆接接头剖面图像分割方法，步骤三中，所述的深度学习框架选择Tensorflow、Keras、Pytorch、Caffe、Theano、PaddlePaddle、MXNet、CNTK、Chainer、Deeplearning4j中的一种。6.根据权利要求1所述的基于深度学习的无铆钉铆接接头剖面图像分割方法...

【专利技术属性】
技术研发人员：刘洋，吴庆军，代祎琳，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：