【技术实现步骤摘要】
本专利技术涉及图像关键点检测，具体讲的是一种基于分类模型的轻量级工业图像关键点检测方法。
技术介绍
1、工业关键点检测是指从工业场景中的图像或视频中自动识别出工业产品中的关键点位置，如机器人的末端执行器、零件的定位点等。传统的工业关键点检测算法需要大量的计算资源，并且往往需要训练大规模的数据集，因此在实际应用中存在着一定的局限性。因此迫切需要轻量级的工业关键点检测算法，使在计算资源有限的情况下也能够实现较好的关键点检测效果。
2、基于热图表示的模型需要多个开销较高的反卷积产生热图，因此速度慢，开销高。由于热图比原图小几倍，因此基于热图的方法会存在理论误差下界。而基于回归的方法受到噪声和随机性影响较大，导致结果不稳定。基于分类的模型不会产生热图，且分类的维度可以是原图尺寸，有更高的精度。分类模型受噪声和随机性影响较小，训练过程更稳定，模型更易收敛。
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，提供一种基于分类模型的轻量级工业图像关键点检测方法。
2、为解决以上技术问题，本专利技术采用以下技术方案：
3、基于分类模型的轻量级工业图像关键点检测方法，包括以下步骤：
4、将待检测图像输入特征提取网络，通过特征提取网络提取关键点的图像特征；
5、将图像特征输入网络输出头中，通过网络输出头输出关键点的预测横坐标、预测纵坐标和预测可见性；
6、在待检测图像上标注关键点，并将关键点映射到横坐标轴和纵坐标轴上，计
7、进一步的，所述特征提取网络包括步长为1的卷积和mobilenetv3small中的一层倒残差结构。
8、进一步的，所述网络输出头包括纵坐标分类头、横坐标分类头和可见性分类头，所述纵坐标分类头预测关键点的纵坐标，所述横坐标分类头预测关键点的横坐标，所述可见性分类头预测关键点的可见性。
9、进一步的，所述纵坐标分类头预测关键点的纵坐标包括以下步骤：
10、将图像特征经过横坐标方向步长为2、纵坐标方向步长为1的二维卷积和relu激活函数后，得到图像特征y1；
11、将特征y1经过横坐标方向步长为2、纵坐标方向步长为1的二维卷积和relu激活函数后，得到图像特征y2；
12、将特征y2横坐标方向的特征进行全局池化后，得到特征y3；
13、将特征y3经过一维反卷积后，得到特征y4；
14、将特征y4经过一维反卷积和relu激活函数后，得到关键点的预测纵坐标。
15、进一步的，所述横坐标分类头预测关键点的横坐标包括以下步骤：
16、将图像特征经过横坐标方向步长为1、纵坐标方向步长为2的二维卷积和relu激活函数后，得到图像特征x1；
17、将特征x1经过横坐标方向步长为1、纵坐标方向步长为2的二维卷积和relu激活函数后，得到图像特征x2；
18、将特征x2纵坐标方向的特征进行全局池化后，得到特征x3；
19、将特征x3经过一维反卷积后，得到特征x4；
20、将特征x4经过一维反卷积和relu激活函数后，得到关键点的预测横坐标。
21、进一步的，所述可见性分类头预测关键点的可见性包括以下步骤：
22、将图像特征经过两次横坐标方向和纵坐标方向均为4的卷积，使图像特征的长宽变为原来的1/64，再将卷积后的图像特征进行全局化和全连接操作后，得到关键点的预测可见性。
23、进一步的，计算关键点的横坐标与预测横坐标的第一损失值和纵坐标与预测纵坐标的第二损失值，包括以下步骤：
24、将关键点映射到横坐标轴和纵坐标轴后，形成横坐标方向上的one-hot编码和纵坐标方向上的one-hot编码，再用交叉熵损失函数计算横坐标方向上的one-hot编码与横坐标预测的第一损失值，和纵坐标方向上的one-hot编码与纵坐标预测的第二损失值。
25、进一步的，计算关键点真实可见性信息与预测可见性的第三损失值的方法包括：
26、用二值交叉熵损失函数计算关键点真实可见性信息和预测可见性的第三损失值。
27、进一步的，总损失值为第一损失值、第二损失值和第三损失值的加权和，第一损失值、第二损失值和第三损失值的权重分别根据横坐标、纵坐标和可见性的预测难度确定，预测难度与权重成正比。
28、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：
29、本专利技术基于回归模型的工业图像关键点检测算法，可以让设备自动将工业图像中各种类型的关键点检测出来，且各类关键点的平均像素误差达到亚像素级别，精度高于传统检测算法，并且消除了人工因为个体差异、身体状态等造成的主观因素对缺陷判断的影响，提高了检测的安全性、可靠性以及效率，且能降低关键点检测算法需要的计算资源，能在低算力设备上运行，增加了关键点的可见性损失函数，对每种类型的点输出位置信息的同时也输出了这个点的可见性，能筛选不存在的点(即不能通过阀值或不在图像范围内的点)，降低分类模型的过检率。
30、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.基于分类模型的轻量级工业图像关键点检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于分类模型的轻量级工业图像关键点检测方法，其特征在于，所述特征提取网络包括步长为1的卷积和MobileNetV3smal l中的一层倒残差结构。
3.根据权利要求1所述的基于分类模型的轻量级工业图像关键点检测方法，其特征在于，所述网络输出头包括纵坐标分类头、横坐标分类头和可见性分类头，所述纵坐标分类头预测关键点的纵坐标，所述横坐标分类头预测关键点的横坐标，所述可见性分类头预测关键点的可见性。
4.根据权利要求3所述的基于分类模型的轻量级工业图像关键点检测方法，其特征在于，所述纵坐标分类头预测关键点的纵坐标包括以下步骤：
5.根据权利要求3所述的基于分类模型的轻量级工业图像关键点检测方法，其特征在于，所述横坐标分类头预测关键点的横坐标包括以下步骤：
6.根据权利要求3所述的基于分类模型的轻量级工业图像关键点检测方法，其特征在于，所述可见性分类头预测关键点的可见性包括以下步骤：
7.根据权利要求1所述的基于分类模
8.根据权利要求1所述的基于分类模型的轻量级工业图像关键点检测方法，其特征在于，计算关键点真实可见性信息与预测可见性的第三损失值的方法包括：
9.根据权利要求1所述的基于分类模型的轻量级工业图像关键点检测方法，其特征在于，总损失值为第一损失值、第二损失值和第三损失值的加权和，第一损失值、第二损失值和第三损失值的权重分别根据横坐标、纵坐标和可见性的预测难度确定，预测难度与权重成正比。
...【技术特征摘要】
1.基于分类模型的轻量级工业图像关键点检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于分类模型的轻量级工业图像关键点检测方法，其特征在于，所述特征提取网络包括步长为1的卷积和mobilenetv3smal l中的一层倒残差结构。
3.根据权利要求1所述的基于分类模型的轻量级工业图像关键点检测方法，其特征在于，所述网络输出头包括纵坐标分类头、横坐标分类头和可见性分类头，所述纵坐标分类头预测关键点的纵坐标，所述横坐标分类头预测关键点的横坐标，所述可见性分类头预测关键点的可见性。
4.根据权利要求3所述的基于分类模型的轻量级工业图像关键点检测方法，其特征在于，所述纵坐标分类头预测关键点的纵坐标包括以下步骤：
5.根据权利要求3所述的基于分类模型的轻量级工业图像关键点检测方法，其特征在于，所述横坐标分类...
【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。