【技术实现步骤摘要】
本专利技术涉及机器视觉方案智能生成，具体为一种机器视觉方案智能生成方法。
技术介绍
1、在工业领域，打光是机器视觉方案中的核心内容，其目的是对目标物进行能够满足需求的成像。除了相机和镜头的选型外，还有光源的不同类型以及其在空间中的不同分布可以选择，因此打光过程通常较为繁琐。
2、在构建机器视觉方案时，首要进行的就是打光测试。通常由工程师在打光测试台上对样品进行打光、采集图像并根据个人经验输出打光配置，而后续具体的算法开发都将依赖于该打光配置。对于一个具体机器视觉任务的算法构建，成像是核心先决条件。因此更好的选择是使用足够多的打光配置来进行打光测试，从而能够尽可能的挑选出更优的打光方案，避免人为因素导致的次优选择。此外，打光测试的目的实际上是为了最终的算法开发而服务，因此在打光测试阶段给出一些初始算法的推荐能够进一步增强打光方案的质量，从而使得整个视觉方案的实施更有保障。
3、目前打光方案一般都由工程师通过有限的尝试和个人经验来得出，这个阶段对后续使用的算法几乎没有关注。算法工程师在预先确定好的成像方案上采图做算法开发，可能会导致算法复杂度偏高，或者根本无法有效解决问题而不得不重新去构建打光方案。这样会导致整个方案实施周期变长，成本变高。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种机器视觉方案智能生成方法，解决了现有的方法大多在预先确定好的成像方案上采图做算法开发，导致算法复杂度偏高，或者根本无法有效解决问
3、(二)技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：一种机器视觉方案智能生成方法，具体包括以下步骤：
5、s1.设定初始配置，通过引导式配置，基于包括但不限于任务和样品类型等属性，利用行业知识库进行初步推荐，确定相机、镜头和光源等选型，选择任务类型；
6、s2.选型完毕后，放入样品进行成像，然后标注ro i区域；
7、s3.在空间中调整光源的位置角度，批量自动化执行对同一样品的打光，完成多种打光配置下的成像，将所有成像结果和其对应打光配置做统一存储，并将打光配置和成像进行关联存储；
8、s4.重复s2，s3的过程，对多个样品进行打光测试，验证打光测试的完整和有效性；
9、s5.遍历数据集合，在所有成像上计算预定义的图像评估指标，通过加权统计的方式计算并推荐最合适的打光方案；
10、s6.判断是否需要进行算法推荐，如果需要推荐算法，跳转到s7，如果不需要推荐算法，跳转到s9；
11、s7.基于初始配置，样品成像和任务类型生成算法推荐，判断是否需要生成深度学习算法，如果生成算法为深度学习算法，则跳转到s8，如果生成算法非深度学习算法，则跳转到s9；
12、s8.判断是否需要生成初始模型，如果需要生成初始模型，则基于已选打光方案的成像构建数据集并进行模型训练，如果不需要生成初始模型，则跳转到s9；
13、s9.生成机器视觉方案；
14、s10.结束该机器视觉方案智能生成方法。
15、优选的，所述s1中，选型既可以人工指定，也可以基于任务类型和样品类型进行算法推荐。
16、优选的，所述s2中，在固定好相机，镜头并确认ro i区域后，对光源部分可以做多种类，多光谱，多位置的批量自动化打光，从而得到不同光场下的成像集合。
17、优选的，所述s5中，可以通过计算对比度，清晰度等一些可以计算的图像属性来评估成像的效果，对ro i区域内外要分别有相关计算。对于某些任务，例如缺陷检测等，也可以直接在成像上跑一批预置算法，通过算法结果选择最优成像。
18、优选的，所述s7中，基于任务类型和成像效果，可生成可用的算子集合或者深度学习模型结构。
19、优选的，所述s8中，对于深度学习算法，可以筛选出对应最优打光方案的图像，在图像数量足够的情况下，基于预训练模型进行微调，得到用于后续模型迭代的种子模型。
20、(三)有益效果
21、本专利技术提供了一种机器视觉方案智能生成方法。具备以下有益效果：
22、1、本专利技术提供了一种机器视觉方案智能生成方法，相较于现有的机器视觉方案智能生成方法，该机器视觉方案智能生成方法通过软件控制装置(例如模组或者机械手)实现对打光配置的批量自动化执行，并完成采图及数据的存储，使用多个衡量标准对所有图像集合进行定量评估，基于具体任务实现算法推荐，若推荐为深度学习算法，则考虑进行初始模型的训练，可以高效采集不同打光方案下样品图像的方法，同时可以基于成像选择最优打光配置的方法，并且可以将打光测试和后续算法构建结合的机制，给出一些初始算法的推荐能够进一步增强打光方案的质量，从而使得整个视觉方案的实施更有保障。
本文档来自技高网...【技术保护点】
1.一种机器视觉方案智能生成方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种机器视觉方案智能生成方法，其特征在于：所述S1中，选型既可以人工指定，也可以基于任务类型和样品类型进行算法推荐。
3.根据权利要求1所述的一种机器视觉方案智能生成方法，其特征在于：所述S2中，在固定好相机，镜头并确认ROI区域后，对光源部分可以做多种类，多光谱，多位置的批量自动化打光，从而得到不同光场下的成像集合。
4.根据权利要求1所述的一种机器视觉方案智能生成方法，其特征在于：所述S5中，可以通过计算对比度，清晰度等一些可以计算的图像属性来评估成像的效果，对ROI区域内外要分别有相关计算。对于某些任务，例如缺陷检测等，也可以直接在成像上跑一批预置算法，通过算法结果选择最优成像。
5.根据权利要求1所述的一种机器视觉方案智能生成方法，其特征在于：所述S7中，基于任务类型和成像效果，可生成可用的算子集合或者深度学习模型结构。
6.根据权利要求1所述的一种机器视觉方案智能生成方法，其特征在于：所述S8中，对于深度学习算法，可以筛选
...【技术特征摘要】
1.一种机器视觉方案智能生成方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种机器视觉方案智能生成方法，其特征在于：所述s1中，选型既可以人工指定，也可以基于任务类型和样品类型进行算法推荐。
3.根据权利要求1所述的一种机器视觉方案智能生成方法，其特征在于：所述s2中，在固定好相机，镜头并确认roi区域后，对光源部分可以做多种类，多光谱，多位置的批量自动化打光，从而得到不同光场下的成像集合。
4.根据权利要求1所述的一种机器视觉方案智能生成方法，其特征在于：所述s5中，可以通过计算对比度，清晰...
【专利技术属性】
技术研发人员：徐得景，程至强，石舜，
申请(专利权)人：领湖智能深圳有限公司，
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。