【技术实现步骤摘要】
本专利技术属于位置检测，具体涉及一种透明光学元件的位置检测方法、系统、设备及介质。
技术介绍
1、在自动化装配透明光学元件的时候需要对透明光学元件的位置进行视觉定位。但是由于透明光学元件对光的敏感度比较高，在视觉定位的时候，会出现其元件在不同位置具有不同图像特征的问题，从而导致元件模板匹配错误或模板匹配不到，元件的轮廓和位置信息获取失败。
2、现阶段，以平板型透明材料作为原材料生产的光学器件得到了越来越广泛应用，而在生产装配过程中自动化装配的产能效率远远高于人工，在自动化装配过程中往往需要视觉系统的配合。
3、然而，在自动化装配过程中，由于透明元件形状各异，且分布位置各异，现有技术无法准确的从透明光学元件装配台上获取需要进行装配的元件的位置-体现在权要中。
技术实现思路
1、为了克服上述现有技术存在的不足，本专利技术提供了一种透明光学元件的位置检测方法、系统、设备及介质。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种透明光学元件的位置检测方法、系统、设备及介质，包括：
4、采集包括多种透明光学元件及其所在的透明光学元件装配台的第一图像；
5、将第一图像输入用于勾勒图像中物体边缘的训练好的deeplab v3+深度神经网络中，获得各个透明光学元件的轮廓并将其作为第二图像输出；
6、将第二图像中的透明光学元件的轮廓图像与需要进行装配的透明光学元件的模版图像进行匹配，确定第二图像中需要进行
7、根据第二图像中需要进行装配的透明光学元件的像素坐标，确定需要进行装配的透明光学元件的位置。
8、进一步，所述deeplab v3+深度神经网络的训练包括：
9、采集包括多种透明光学元件及其所在场景的第三图像；
10、基于随机透明度值或模拟透明元件的物理特性在第三图像中叠加具有不同透明度的遮罩后，利用高斯噪声在图像中引入干扰或噪声得到图像训练集；
11、利用图像训练集训练deeplab v3+深度神经网络。
12、进一步，基于随机透明度值或模拟透明元件的物理特性生成遮罩。
13、进一步，所述deeplab v3+深度神经网络；包括：
14、依次连接的编码器和解码器；
15、所述编码器包括依次连接的深度卷积神经网络、多尺度卷积模块、空洞空间卷积池化金字塔aspp模块；所述深度卷积神经网络提取第一图像的特征后输入到多尺度卷积模块中，多尺度卷积模块输出的特征图输入到空洞空间卷积池化金字塔aspp模块中，空洞空间卷积池化金字塔aspp模块输出的特征图输入解码器中。
16、进一步，所述多尺度卷积模块包括4个并联的拥有不同尺度的卷积核。
17、进一步，所述将第二图像中的透明光学元件的轮廓图像与需要进行装配的透明光学元件的模版图像进行匹配；包括：
18、从左到右，从上到下遍历第二图像，从上到下计算透明光学元件的模版图像与第二图像中各透明光学元件的轮廓图像的像素匹配度；
19、选择像素匹配最大的透明光学元件的轮廓图像所对应的透明光学元件，作为第二图像中需要进行装配的透明光学元件。
20、进一步，利用matchtemplate函数计算透明光学元件的模版图像与第二图像中各透明光学元件的轮廓图像的像素匹配度，其公式为：
21、
22、其中，r(x，y)是匹配结果图像中的像素值；t(x'，y')是模板图像的像素值；i(x+x'，y+y')是第二图像中对应位置的像素值。
23、一种透明光学元件的位置检测系统，其特征在于，包括：
24、图像采集模块，用于采集包括多种透明光学元件及其所在场景的第一图像；
25、图像勾勒模块，用于将第一图像输入训练好的deeplab v3+深度神经网络中，利用deeplab v3+深度神经网络勾勒出各个透明光学元件的轮廓,输出第二图像；
26、图像匹配模块，用于将第二图像中的透明光学元件的轮廓图像与需要进行装配的透明光学元件的模版图像进行匹配，找到第二图像中需要进行装配的透明光学元件；
27、坐标提取模块，用于根据第二图像中需要进行装配的透明光学元件的像素坐标，提取需要进行装配的透明光学元件的位置。
28、一种透明光学元件的位置检测计算机设备，其特征在于，包括：
29、至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，
30、所述存储器存储有可被所述至少--个处理器执行的指令,所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一所述的透明光学元件的位置检测方法。
31、一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1至7中任一所述的透明光学元件的位置检测方法。
32、本专利技术提供的一种透明光学元件的位置检测方法、系统、设备及介质具有以下有益效果：
33、本专利技术利用deeplab v3+深度神经网络提取透明元件的轮廓图像后，将轮廓图像与透明光学元件的模版图像进行匹配，以找到实时图像中需要进行装配的元件；deeplabv3+深度神经网络能够强化透明元件的边缘，使得透明元件边缘清晰，以便更好将形状各异的透明元件与模版图像进行像素匹配；模版匹配能够将形状各异的元件和模版图像进行对比，以便从第一图像中提取出装配中所需要的元件；进一步根据该元件的像素坐标即可获取该透明光学元件的位置。
34、本专利技术的核心专利技术点在于如何从采集的图像中找到需要进行装配的透明光学元件。由于透明元件形状各异，无法通过具体设定某一类透明原件的特征来寻找，而采用模版匹配的方式能够基于相似度来寻找各种不同类型的透明光学元件；同时，由于透明原件的边缘不清，为了能够实现模版匹配，需要在匹配前采用deeplab v3+深度神经网络强化元件的轮廓。
本文档来自技高网...【技术保护点】
1.一种透明光学元件的位置检测方法，其特征在于，包括：
2.根据权利要求1所述的一种透明光学元件的位置检测方法，其特征在于，所述DeepLab V3+深度神经网络的训练包括：
3.根据权利要求2所述的一种透明光学元件的位置检测方法，其特征在于，基于随机透明度值或模拟透明元件的物理特性生成遮罩。
4.根据权利要求1所述的一种透明光学元件的位置检测方法，其特征在于，所述DeepLab V3+深度神经网络；包括：
5.根据权利要求4所述的一种透明光学元件的位置检测方法、系统、设备及介质，其特征在于，所述多尺度卷积模块包括4个并联的拥有不同尺度的卷积核。
6.根据权利要求1所述的一种透明光学元件的位置检测方法统，其特征在于，所述将第二图像中的透明光学元件的轮廓图像与需要进行装配的透明光学元件的模版图像进行匹配；包括：
7.根据权利要求6所述的一种透明光学元件的位置检测方法，其特征在于，利用matchTemplate函数计算透明光学元件的模版图像与第二图像中各透明光学元件的轮廓图像的像素匹配度，其公式为：
9.一种透明光学元件的位置检测设备，其特征在于，包括：
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1至7中任一所述的透明光学元件的位置检测方法。
...【技术特征摘要】
1.一种透明光学元件的位置检测方法，其特征在于，包括：
2.根据权利要求1所述的一种透明光学元件的位置检测方法，其特征在于，所述deeplab v3+深度神经网络的训练包括：
3.根据权利要求2所述的一种透明光学元件的位置检测方法，其特征在于，基于随机透明度值或模拟透明元件的物理特性生成遮罩。
4.根据权利要求1所述的一种透明光学元件的位置检测方法，其特征在于，所述deeplab v3+深度神经网络；包括：
5.根据权利要求4所述的一种透明光学元件的位置检测方法、系统、设备及介质，其特征在于，所述多尺度卷积模块包括4个并联的拥有不同尺度的卷积核。
6.根据权利要求1所述的一种...
【专利技术属性】
技术研发人员：丁妍，王英志，张恩奎，韩镇宇，鞠明池，刘轩，刘红，韩太林，王加科，王国庆，
申请(专利权)人：长春理工大学，
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。