【技术实现步骤摘要】
本专利技术涉及尺寸测量，特别涉及基于实例分割的零部件尺寸测量方法、装置及存储介质。
技术介绍
1、伴随着5g高速基站的加速建设以及新能源汽车等产业的蓬勃发展，工业零部件市场需求不断增长的同时，对零部件的生产质量也提出了更高的要求，微小的缺陷便可能造成重要的性能下降，影响信号传输速率。特别是在尺寸方面，随着集成化程度越来越高，对尺寸精度的要求也越来越高。在实际的生产过程中，传统的测量方法以手工测量为主，效率及其低下，只能采用抽检的方式进行生产作业，有较高风险产出不良品。
技术实现思路
1、本专利技术所解决的技术问题：提供一种基于实例分割的零部件尺寸测量方法、装置及存储介质，解决现有的零部件测量效率低下的问题。
2、本专利技术解决上述技术问题采用的技术方案：基于实例分割的零部件尺寸测量方法，包括以下步骤：
3、s1、获取零部件外观图像数据，根据零部件不同的部位属性对图像数据进行标注和分类，获得各部位的mask图像，利用各部位的mask图像乘以部位类别id，再以相加的方式组合在一起，得到零部件的标注数据；
4、s2、搭建基于深度学习的实例分割网络；
5、s3、根据图像数据和标注数据，利用预定义的损失函数对实例分割网络进行训练至收敛状态，得到预训练实例分割网络；
6、s4、获取待测零部件外观图像数据，并输入到预训练实例分割网络，得到待测零部件的各个部位的预测mask图像；
7、s5、根据待测尺寸位置，选择对应的mask
8、s6、采用欧氏距离计算基本特征之间的距离得到尺寸。
9、进一步的，s2中，所述实例分割网络为unet神经网络，设置有n个输出通道，n为零部件的部位数量。
10、进一步的，s3中，利用预定义的损失函数对实例分割网络进行训练包括：对各个部位的mask图像使用euclidean distance transform得到每个非零像素点到该部位重心的归一化距离x；对归一化距离进行线性和指数约束得到预处理mask图像w，计算公式为w＝ωxp，其中，ω表示比例系数，p表示指数系数；利用实例分割网络对图像数据进行处理，获得各个部位的预测mask图像，所述预测mask图像不是01二值图；将预处理mask图像w和预测mask图像利用预定义损失函数计算得到损失值，采用优化算法根据损失值进行网络参数的更新。
11、进一步的，所述基本特征包括中心点、边缘点和线。
12、基于实例分割的零部件尺寸测量装置，包括数据模块、训练模块、预测模块和计算模块；
13、所述数据模块用于根据零部件不同的部位属性对图像数据进行标注和分类，获得各部位的mask图像，利用各部位的mask图像乘以部位类别id，再以相加的方式组合在一起，得到零部件的标注数据；
14、所述训练模块用于搭建基于深度学习的实例分割网络，根据图像数据和标注数据，利用预定义的损失函数对实例分割网络进行训练至收敛状态，得到预训练实例分割网络；
15、所述预测模块用于将待测零部件外观图像数据输入到预训练实例分割网络，得到待测零部件的各个部位的预测mask图像；
16、所述计算模块用于根据待测尺寸位置，选择对应的mask图像，并进行归一化处理，根据几何特性计算获得基本特征，采用欧氏距离计算基本特征之间的距离得到尺寸。
17、进一步的，实例分割网络为unet神经网络，设置有n个输出通道，n为零部件的部位数量。
18、进一步的，所述利用预定义的损失函数对实例分割网络进行训练包括：对各个部位的mask图像使用euclidean distance transform得到每个非零像素点到该部位重心的归一化距离x；对归一化距离进行线性和指数约束得到预处理mask图像w，计算公式为w＝ωxp，其中，ω表示比例系数，p表示指数系数；利用实例分割网络对图像数据进行处理，获得各个部位的预测mask图像，所述预测mask图像不是01二值图；将预处理mask图像w和预测mask图像利用预定义损失函数计算得到损失值，采用优化算法根据损失值进行网络参数的更新。
19、进一步的，所述基本特征包括中心点、边缘点和线。
20、存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行上述的基于实例分割的零部件尺寸测量方法。
21、本专利技术的有益效果：本专利技术基于实例分割的零部件尺寸测量方法、装置及存储介质，根据零部件不同的部位属性对图像数据进行标注和分类，获得各部位的mask图像，利用各部位的mask图像乘以部位类别id，再以相加的方式组合在一起，得到零部件的标注数据，然后搭建基于深度学习的实例分割网络，根据图像数据和标注数据，利用预定义损失函数对实例分割网络训练至收敛状态，得到预训练实例分割网络；接着获取待测微小零部件外观图像数据，并将其输入到预训练实例分割网络，得到待测零部件的各个部位的预测mask图像，根据待测尺寸位置，选择对应的mask图像，并进行归一化处理，根据几何特性计算获得基本特征，采用欧氏距离计算基本特征之间的距离得到尺寸，以此实现了通过零部件的外观图像数据计算零部件的各部位尺寸，解决了现有的零部件测量效率低下的问题。
本文档来自技高网...【技术保护点】
1.基于实例分割的零部件尺寸测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于实例分割的零部件尺寸测量方法，其特征在于，S2中，所述实例分割网络为unet神经网络，设置有N个输出通道，N为零部件的部位数量。
3.根据权利要求2所述的基于实例分割的零部件尺寸测量方法，其特征在于，S3中，利用预定义的损失函数对实例分割网络进行训练包括：对各个部位的mask图像使用Euclidean Distance Transform得到每个非零像素点到该部位重心的归一化距离X；对归一化距离进行线性和指数约束得到预处理mask图像W，计算公式为W＝ωXP，其中，ω表示比例系数，P表示指数系数；利用实例分割网络对图像数据进行处理，获得各个部位的预测mask图像，所述预测mask图像不是01二值图；将预处理mask图像W和预测mask图像利用预定义损失函数计算得到损失值，采用优化算法根据损失值进行网络参数的更新。
4.根据权利要求1-3任一项所述的基于实例分割的零部件尺寸测量方法，其特征在于，所述基本特征包括中心点、边缘点和线。
5.基于实
6.根据权利要求5所述的基于实例分割的零部件尺寸测量方法，其特征在于，实例分割网络为unet神经网络，设置有N个输出通道，N为零部件的部位数量。
7.根据权利要求5所述的基于实例分割的零部件尺寸测量装置，其特征在于，所述利用预定义的损失函数对实例分割网络进行训练包括：对各个部位的mask图像使用EuclideanDistance Transform得到每个非零像素点到该部位重心的归一化距离X；对归一化距离进行线性和指数约束得到预处理mask图像W，计算公式为W＝ωXP，其中，ω表示比例系数，P表示指数系数；利用实例分割网络对图像数据进行处理，获得各个部位的预测mask图像，所述预测mask图像不是01二值图；将预处理mask图像W和预测mask图像利用预定义损失函数计算得到损失值，采用优化算法根据损失值进行网络参数的更新。
8.根据权利要求5-7任一项所述的基于实例分割的零部件尺寸测量装置，其特征在于，所述基本特征包括中心点、边缘点和线。
9.存储介质，其特征在于，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1-3任一项所述的基于实例分割的零部件尺寸测量方法。
...【技术特征摘要】
1.基于实例分割的零部件尺寸测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于实例分割的零部件尺寸测量方法，其特征在于，s2中，所述实例分割网络为unet神经网络，设置有n个输出通道，n为零部件的部位数量。
3.根据权利要求2所述的基于实例分割的零部件尺寸测量方法，其特征在于，s3中，利用预定义的损失函数对实例分割网络进行训练包括：对各个部位的mask图像使用euclidean distance transform得到每个非零像素点到该部位重心的归一化距离x；对归一化距离进行线性和指数约束得到预处理mask图像w，计算公式为w＝ωxp，其中，ω表示比例系数，p表示指数系数；利用实例分割网络对图像数据进行处理，获得各个部位的预测mask图像，所述预测mask图像不是01二值图；将预处理mask图像w和预测mask图像利用预定义损失函数计算得到损失值，采用优化算法根据损失值进行网络参数的更新。
4.根据权利要求1-3任一项所述的基于实例分割的零部件尺寸测量方法，其特征在于，所述基本特征包括中心点、边缘点和线。
5.基于实例分割的零部件尺寸测量装置，应用于权利要求1所述的基于实例分割的零部件尺寸测量方法，其特征在于，包括...
【专利技术属性】
技术研发人员：许亮，张欢欢，彭世勇，刘明华，展华益，
申请(专利权)人：四川启睿克科技有限公司，
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。