一种基于语义分割的涂胶尺寸测量方法技术

本发明专利技术公开了一种基于语义分割的涂胶尺寸测量方法，其技术方案要点是包括以下步骤：标注涂胶样本图像，构建数据集；训练基于注意力融合和金字塔池化的语义分割模型；模型分割涂胶图像，获取mask结果；遍历mask中的像素点，灰度为1的点集归类为胶条区域，灰度为2的点集归类为工件区域；使用区域骨架算法提取胶条和工件区域的中轴轮廓；再使用矩形检测框拟合轮廓，生成平行线，计算线间距；统计所有检测框中最大和最小间距，判断涂胶工艺是否满足要求；本方法可以快速进行涂胶测量，无需示教过程，实时性好，鲁棒性强，适应各类胶条和工件场景。适应各类胶条和工件场景。适应各类胶条和工件场景。

【技术实现步骤摘要】
一种基于语义分割的涂胶尺寸测量方法


[0001]本专利技术涉及涂胶检测
，更具体的说是涉及一种基于语义分割的涂胶尺寸测量方法。

技术介绍

[0002]目前涂胶技术已经广泛应用于各大汽车整车及汽车零部件制造商，常见于汽车焊装车间的白车身、引擎盖涂胶及总装车间内风挡玻璃等，直接影响到了车辆的减震降噪、防风等性能。为了评估胶条质量，需要对被涂胶条进行尺寸检测，以确保胶条的位置和连续性满足工艺要求。
[0003]现有的检测方法，需要人工示教胶条轨迹，即检测前手动选取胶头位置和胶条轨迹点，然后通过阈值分割、形态学操作、边缘提取等传统图像算法提取胶条区域和工件边缘，现有技术的技术方案存在以下问题：
[0004]1、示教过程耗时长，不利于涂胶生产线的高效进行，当被涂工件较大，需要采集的图像也会增多，此时，示教的时间将成倍增加；
[0005]2、现有胶条边缘检测方法存在易受背景信息干扰、阈值分割不准确，容易造成边缘点误检、漏检现象。
[0006]对此一种涂胶尺寸测量方法亟待解决，以使能够解决工业生产中涂胶质量的检测效率低、准确率差的问题，达到对胶条检测时具有高效率、高准确性和客观性强等特点，能大幅提升涂胶质量和效率。

技术实现思路

[0007]针对现有技术存在的不足，本专利技术的目的在于提供一种基于语义分割的涂胶尺寸测量方法，具有可以直接进行胶条检测，具有高效率、高准确性、客观性强等特点，能大幅提升涂胶质量和效率。
[0008]为实现上述目的，本专利技术提供了如下技术方案：
[0009]一种基于语义分割的涂胶尺寸测量方法，包括以下步骤：
[0010]S1：采集样本图像，标注胶条区域和工件边缘，划分训练集和验证集；
[0011]S2：输入数据集，训练基于注意力融合和金字塔池化的语义分割模型；
[0012]S3：语义分割模型对涂胶图像进行分割，生成mask结果，归类胶条和工件区域；
[0013]S4：使用区域骨架算法提取胶条以及工件中轴轮廓；
[0014]S5：设置矩形检测框，拟合框内胶条与工件轮廓，生成平行线段，计算线段距离；
[0015]S6：统计所有检测框最大和最小边距宽度，判断涂胶工艺是否满足要求。
[0016]作为本专利技术的进一步改进，所述步骤S1的具体步骤为：
[0017]使用labelme软件进行标注，多边形线段标注胶条区域，条带线段标注工件边缘，按照9：1的比例划分训练集和验证集合。
[0018]作为本专利技术的进一步改进，所述S2的具体步骤如下：
[0019]调整图像大小为1024*512像素；
[0020]构建语义分割模型，增加金字塔池化减小中间特征图的通道数、移除跳跃连接，提升模型速度，再增加注意力融合模块，加强特征表示，提升模型精度；
[0021]将训练集和验证集输入至语义分割模型，采用交叉熵损失函数作为网络评价指标，设置训练周期20，学习率0.025，训练模型，loss收敛最优后，保存语义分割模型。
[0022]作为本专利技术的进一步改进，所述S3的具体步骤如下：
[0023]使用语义分割模型对检测图像进行分割，生成mask结果；
[0024]遍历mask中所有像素点，灰度为1的点集归类为胶条区域，灰度为2的点集归类为工件区域。
[0025]作为本专利技术的进一步改进，所述S4的具体步骤如下：
[0026]使用最大圆盘法，分别提取胶条和工件区域骨骼线；
[0027]将骨骼线点集投影到最小二乘法拟合线上，平滑轮廓，获得最终的中轴轮廓。
[0028]作为本专利技术的进一步改进，所述S5的具体步骤如下：
[0029]涂胶方向与图像行方向平行，计算胶条轮廓C1的行坐标范围R＝RowMax
‑
RowMin；
[0030]设置矩形检测框数量N，每个检测框高度为R/N，宽度为图像宽度；
[0031]拟合检测框中的轮廓，生成平行线段，计算平行线间的距离L
i
(i＝0，，，，N
‑
1)。
[0032]作为本专利技术的进一步改进，所述S6的具体步骤如下：统计L
i
中的最大值和最小值，判断涂胶是处于过远、过近或正常状态。
[0033]本专利技术的有益效果：
[0034]通过训练后的语义分割网络模型，分割胶条和工件区域，拟合区域中轴轮廓，计算胶条中心到工件边缘距离，判断涂胶工艺优劣，具体而言，分割网络经过学习，可以在特征图上的每个像素输出一个分类结果，检测时，将所有分类为胶条和工件的像素归类为对应区域，无需再进行传统算法中的滤波，二值化，边缘分割等操作，且传统算法同一组参数在不同的场景下无法适用，容易出现误检，采用该方法可以避免重复调节滤波核、灰度阈值等参数的问题，更加鲁棒，相比现有技术，本专利技术检测速度快，准确度高，适应各种复杂场景，无需额外调整参数，操作简单，能大幅提升涂胶检测效率。
附图说明
[0035]图1为体现本专利技术的流程图；
[0036]图2为语义分割模型分割效果图；
[0037]图3为中轴轮廓线示意图；
[0038]图4为检测框示意图。
具体实施方式
[0039]下面结合附图和实施例，对本专利技术进一步详细说明。其中相同的零部件用相同的附图标记表示。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“底面”和“顶面”、“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
[0040]参考图1至图4所示，为本专利技术一种基于语义分割的涂胶尺寸测量方法的具体实施
方式，包括以下步骤：
[0041]S1：采集样本图像，标注胶条区域和工件边缘，划分训练集和验证集；
[0042]S2：输入数据集，训练基于注意力融合和金字塔池化的语义分割模型；
[0043]S3：语义分割模型对涂胶图像进行分割，生成mask结果，归类胶条和工件区域；
[0044]S4：使用区域骨架算法提取胶条以及工件中轴轮廓；
[0045]S5：设置矩形检测框，拟合框内胶条与工件轮廓，生成平行线段，计算线段距离；
[0046]S6：统计所有检测框最大和最小边距宽度，判断涂胶工艺是否满足要求。
[0047]所述步骤S1的具体步骤为：
[0048]使用labelme软件进行标注，多边形线段标注胶条区域，条带线段标注工件边缘，按照9∶1的比例划分训练集和验证集合。
[0049]所述S2的具体步骤如下：
[0050]调整图像大小为1024*512像素；
[0051]构建语义分割模型，增加金字塔池化减小中间特征图的通道数、移除跳跃连接，提升模型速度，再增加注意力融合模块，加强特征表示，提升模型精度；
[0052]将训练集和验证集输入至语义分割模型，采用交叉熵损失函数作为网络评价指标，设置训练周期本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于语义分割的涂胶尺寸测量方法，其特征在于，包括以下步骤：S1：采集样本图像，标注胶条区域和工件边缘，划分训练集和验证集；S2：输入数据集，训练基于注意力融合和金字塔池化的语义分割模型；S3：语义分割模型对涂胶图像进行分割，生成mask结果，归类胶条和工件区域；S4：使用区域骨架算法提取胶条以及工件中轴轮廓；S5：设置矩形检测框，拟合框内胶条与工件轮廓，生成平行线段，计算线段距离；S6:统计所有检测框最大和最小边距宽度，判断涂胶工艺是否满足要求。2.根据权利要求1所述的一种基于语义分割的涂胶尺寸测量方法，其特征在于，所述步骤S1的具体步骤为：使用labelme软件进行标注，多边形线段标注胶条区域，条带线段标注工件边缘，按照9:1的比例划分训练集和验证集合。3.根据权利要求2所述的一种基于语义分割的涂胶尺寸测量方法，其特征在于，所述S2的具体步骤如下：调整图像大小为1024*512像素；构建语义分割模型，增加金字塔池化减小中间特征图的通道数、移除跳跃连接，提升模型速度，再增加注意力融合模块，加强特征表示，提升模型精度；将训练集和验证集输入至语义分割模型，采用交叉熵损失函数作为网络评价指标，设置训练周期20，学习率0.025，训练模型，loss收敛最优后，...

【专利技术属性】
技术研发人员：沈康，赵彦峰，董行，
申请(专利权)人：南京卓宇智能科技有限公司，
类型：发明
国别省市：