【技术实现步骤摘要】
本专利技术涉及工业零件尺寸测量，具体讲的是一种工业尺寸测量方法。
技术介绍
1、工业零件尺寸测量是制造和质量控制过程中至关重要的一步。正确的尺寸测量可以确保零件符合设计规格并满足质量标准。如果零件尺寸不正确，会导致下游产品的缺陷。在一些高速运转的场合，传统的检测方法（包括采用基于卡尺、千分尺、超声波测量、x射线检测等工具和方法进行测量）以及现有的ai检测方案难以满足实时运行的需要。
2、现有基于ai的测量主要采用检测加分类的方法，即先用目标检测模型检测图像中的待测量边的位置，再将检测框裁图图像送入到关键点检测模型中检测框中线段端点。如果待检图像中有多条待检测的边，那么关键点检测模型会重复运行多次，难以满足高速生产情况下实时检测的需要，而且这种方案需要两个数据集，两个ai模型，操作较为繁琐。虽然在待检测边位置较为固定情况下可以只用关键点模型，但是在检测多种边时，同一张图像也要运行多次，导致在高速生产下难以实时检测工业零件的尺寸。
技术实现思路
1、本专利技术要解决的技术问题是针对以上不足，提供一种工业尺寸测量方法，本专利技术能在检测目标的同时，检测目标框中的点，仅需预测一次，算法速度快，能在高速生产下，实时检测工业零件的尺寸。
2、为解决以上技术问题，本专利技术采用以下技术方案：
3、一种工业尺寸测量方法，包括以下步骤：
4、采集待检测物品的图像；
5、提取图像中的多尺度特征，以及与多尺度特征对应的预测候选框；
7、将所有裁剪出的特征输入关键点检测分支，得到每个特征中所有类型点的横坐标值信息、纵坐标值信息和可见性信息；
8、将预测候选框的类型与类型点进行匹配，通过网络预测可见性筛选出不存在的点，得到最终预测点的类型和坐标。
9、进一步的，提取图像中的多尺度特征的方法包括：将图片输入特征提取网络和特征金字塔网络，得到多尺度特征；
10、提取与多尺度特征对应的预测候选框的方法包括：将多尺度特征经过rpn网络后，得到预测候选框。
11、进一步的，裁剪预测候框内对应的特征后，通过roi aline1将裁剪的特征统一缩放到7×7的大小，缩放后的特征经过展平后，通过全连接网络得到预测候选框的类型和位置信息。
12、进一步的，在将所有裁剪出的特征输入关键点检测分支前，还包括对关键点检测分支的训练，采集多张图片样本，通过真实框标选出图像样本中的特征，得到特征训练集，将特征训练集输入关键点检测分支中，训练完成后，得到训练好的关键点检测分支。
13、进一步的，所述关键点检测分支包括以下步骤：
14、将所有裁剪出的特征通过28×28的roi aline2统一缩放到28×28的大小，得所有大小为(n, 64, 28, 28)的特征a，其中，n为所有预测候选框中的特征的数量；
15、将特征a中的所有特征输入纵坐标分类头，得到大小为(c2, 112)的所有类型点的纵坐标值信息；
16、将特征a中的所有特征输入横坐标分类头，得到大小为(c2, 112)的所有类型点的横坐标值信息；
17、将特征a中的所有特征输入可见性分类头，得到大小为(c2)的所有类型点的可见性信息。
18、进一步的，特征a中的特征输入纵坐标分类头后包括以下步骤：
19、将特征a中的特征经过conv2d_y卷积和relu激活函数后，得到图像特征y1；
20、将特征y1经过conv2d_y卷积和relu激活函数后，得到图像特征y2；
21、将特征y2展平后，得到特征y3；
22、将特征y3经过一维反卷积和relu激活函数后，得到特征y4；
23、将特征y4经过一维反卷积和relu激活函数后，得到类型点的纵坐标值信息。
24、进一步的，特征a中的特征输入横坐标分类头后包括以下步骤：
25、将特征a中的特征经过conv2d_x卷积和relu激活函数后，得到图像特征x1；
26、将特征x1经过conv2d_x卷积和relu激活函数后，得到图像特征x2；
27、将特征x2展平后，得到特征x3；
28、将特征x3经过一维反卷积和relu激活函数后，得到特征x4；
29、将特征x4经过一维反卷积和relu激活函数后，得到类型点的横坐标值信息。
30、进一步的，特征a中的特征输入可见性分类头后包括以下步骤：
31、将特征a中的特征经过两次conv2d卷积和relu激活函数后，再经过全局池化、展平和全连接后，得到类型点的可见性信息。
32、进一步的，所有类型点的横坐标信息和纵坐标信息经过soft-argmax函数后，得到所有类型点的坐标。
33、进一步的，预测候选框的类型与类型点进行匹配的方法包括以下步骤：
34、设置框的类型与点的类型的匹配关系；
35、将与框类型匹配的类型点的可见性设置为可见，不匹配的点设置为不可见。
36、本专利技术采用以上技术方案后，与现有技术相比，具有以下优点：
37、本专利技术可以在检测目标的同时检测到目标框中的点，并可以实现特定类型的检测框检测特点类型点的功能；
38、抓取多种边时，本专利技术的方法仅需要预测一次，相对于先检测再抓边的方法需要运行多次模型，算法速度更快。
39、下面结合附图和实施例对本专利技术进行详细说明。
本文档来自技高网...【技术保护点】
1.一种工业尺寸测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的工业尺寸测量方法，其特征在于，提取图像中的多尺度特征的方法包括：将图片输入特征提取网络和特征金字塔网络，得到多尺度特征；
3.根据权利要求1所述的工业尺寸测量方法，其特征在于，裁剪预测候框内对应的特征后，通过ROI Aline1将裁剪的特征统一缩放到7×7的大小，缩放后的特征经过展平后，通过全连接网络得到预测候选框的类型和位置信息。
4.根据权利要求1所述的工业尺寸测量方法，其特征在于，在将所有裁剪出的特征输入关键点检测分支前，还包括对关键点检测分支的训练，采集多张图片样本，通过真实框标选出图像样本中的特征，得到特征训练集，将特征训练集输入关键点检测分支中，训练完成后，得到训练好的关键点检测分支。
5.根据权利要求1所述的工业尺寸测量方法，其特征在于，所述关键点检测分支包括以下步骤：
6.根据权利要求5所述的工业尺寸测量方法，其特征在于，特征a中的特征输入纵坐标分类头后包括以下步骤：
7.根据权利要求5所述的工业尺寸测量方法，其特征
8.根据权利要求5所述的工业尺寸测量方法，其特征在于，特征a中的特征输入可见性分类头后包括以下步骤：
9.根据权利要求1所述的工业尺寸测量方法，其特征在于，所有类型点的横坐标信息和纵坐标信息经过Soft-argmax函数后，得到所有类型点的坐标。
10.根据权利要求1所述的工业尺寸测量方法，其特征在于，预测候选框的类型与类型点进行匹配的方法包括以下步骤：
...【技术特征摘要】
1.一种工业尺寸测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的工业尺寸测量方法，其特征在于，提取图像中的多尺度特征的方法包括：将图片输入特征提取网络和特征金字塔网络，得到多尺度特征；
3.根据权利要求1所述的工业尺寸测量方法，其特征在于，裁剪预测候框内对应的特征后，通过roi aline1将裁剪的特征统一缩放到7×7的大小，缩放后的特征经过展平后，通过全连接网络得到预测候选框的类型和位置信息。
4.根据权利要求1所述的工业尺寸测量方法，其特征在于，在将所有裁剪出的特征输入关键点检测分支前，还包括对关键点检测分支的训练，采集多张图片样本，通过真实框标选出图像样本中的特征，得到特征训练集，将特征训练集输入关键点检测分支中，训练完成后，得到训练好的关键点检测分支。<...
【专利技术属性】
技术研发人员：张俊峰，杨培文，沈俊羽，张小村，
申请(专利权)人：超音速人工智能科技股份有限公司，
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。