【技术实现步骤摘要】
本申请属于工件堆叠检测，尤其涉及一种无序堆叠工件定位检测方法、装置、系统及存储介质。
技术介绍
1、堆叠检测是对工业堆叠产品进行定位和识别，在生产环节中占有重要地位，广泛应用于工业产品分拣环节。目前大部分企业的分拣方法都是针对二维平面目标进行，这类物体一般在一个水平面上，彼此之间没有的重叠部分，检测过程不需要考虑工件遮挡问题。
2、在实际情况下，工件大多是随机散乱堆放的，工件之间会出现堆叠、遮挡问题，例如双t型成品工件、t型半成品工件和盘类轴类零件堆叠工件，在分拣过程中容易堆叠遮挡，其遮挡比例和遮挡位置具有随机性和无规则性，这导致传统图像处理算法很难做到对遮挡工件特征准确的建模和学习，泛化性能较弱。
3、因此，针对无序堆叠工件的检测，传统方法工序多、准确度低，不能满足现代产业自动化生产的需求。
技术实现思路
1、为克服相关技术中存在的问题，本申请实施例提供了一种无序堆叠工件定位检测方法、装置、系统及存储介质，能够提高堆叠工件检测定位精度，实现无序堆叠工件的检测。
2、本申请是通过如下技术方案实现的：
3、第一方面，本申请实施例提供了无序堆叠工件定位检测方法，包括：
4、采集待检测的堆叠工件图像；
5、将待检测的堆叠工件图像输入训练好的ytmnet(you look t-shaped miniaturenetwork)模型，得到待检测的堆叠工件图像中的各个工件的主体区域和类别信息；ytmnet模型包括主干特征提取
6、在一种可能的实现方式中，主干特征提取网络包括第一特征提取层，第二特征提取层、第三特征提取层和第四特征提取层；
7、待检测的堆叠工件图像作为第一特征提取层的输入，依次经过第一卷积组模块、第二卷积组模块和第一复合残差卷积组模块处理后，得到第一特征提取层的输出特征图；第一卷积组模块和第二卷积组模块用于提取堆叠工件的特征并降低待检测的堆叠工件图像的尺寸；第一复合残差卷积组模块(convolution and residual five times batchnormalization leaky relu，crblr5)用于对第二卷积组模块提取后的特征图进行分通道多核特征提取；
8、第一特征提取层的输出特征图作为第二特征提取层的输入，依次经过注意力模块(simple spacial and channel attention，sisca)、第一最大池化模块和第二复合残差卷积组模块处理后，得到第二特征提取层的输出特征图；注意力模块用于对第一特征提取层的输出特征图进行注意力权重分配；
9、第二特征提取层的输出特征图作为第三特征提取层的输入，依次经过第二最大池化模块和第三复合残差卷积组模块处理后，得到第三特征提取层的输出特征图；
10、第三特征提取层的输出特征图作为第四特征提取层的输入，依次经过第三最大池化模块和第四复合残差卷积组模块处理后，得到第四特征提取层的输出特征图。
11、在一种可能的实现方式中，第一卷积组模块与第二卷积组模块的结构相同，均包括依次相连的卷积单元、归一化单元和激活函数单元；
12、注意力模块包括依次相连的卷积单元、simam单元和卷积单元。
13、在一种可能的实现方式中，主干特征提取网络输出的特征图包括第一特征提取层的输出特征图、第二特征提取层的输出特征图、第三特征提取层的输出特征图和第四特征提取层的输出特征图；
14、特征上采样融合网络包括第一特征上采样层、第二特征上采样层、第三特征上采样层、第四特征上采样层和第五特征上采样层；
15、第四特征提取层的输出特征图作为第一特征上采样层的输入，经过卷积-多尺度池化金字塔组模块(convolution and maxpooling three times spatial pyramidconvolution，cm3spc)处理后，得到第一特征上采样层的输出特征图；
16、第一特征上采样层的输出特征图作为第二特征上采样层的输入，依次经过第一卷积模块、第一上采样模块和第五复合残差卷积组模块处理后，得到第二特征上采样层的输出特征图；
17、第二特征上采样层的输出特征图和第三特征提取层的输出特征图作为第三特征上采样层的输入；第三特征提取层的输出特征图经过第三卷积组模块处理后，与第二特征上采样层的输出特征图输入第一特征融合模块，得到第一融合特征图；第一融合特征图经过第六复合残差卷积组模块处理后，得到第三特征上采样层的输出特征图；
18、第三特征上采样层的输出特征图和第二特征提取层的输出特征图作为第四特征上采样层的输入；第二特征提取层的输出特征图经过第四卷积组模块处理后，与经过第二上采样模块处理后的第三特征上采样层的输出特征图二输入第二特征融合模块，得到第二融合特征图；第二融合特征图依次经过第七复合残差卷积组模块、第二卷积模块和第三上采样模块处理后，得到第四特征上采样层的输出特征图；
19、第一特征提取层的输出特征图经过第五卷积组模块处理后，得到第五特征上采样层的输出特征图。
20、在一种可能的实现方式中，特征上采样融合网络输出的特征图包括第一特征上采样层的输出特征图、第二特征上采样层的输出特征图、第三特征上采样层的输出特征图、第四特征上采样层的输出特征图和第五特征上采样层的输出特征图；
21、多尺度半金字塔融合网络包括第一特征融合层、第二特征融合层、第三特征融合层和第四特征融合层；
22、第五特征上采样层的输出特征图和第四特征上采样层的输出特征图作为第一特征融合层的输入，依次经过第三特征融合模块、第八复合残差卷积组模块和第三卷积模块，得到第一特征融合层的输出特征图；
23、经过第八复合残差卷积组模块处理后的特征图和第三特征上采样层的输出特征图作为第二特征融合层的输入；经过第八复合残差卷积组模块处理后的特征图经过第四卷积模块处理后，得到第一拼接特征图；第一拼接特征图与第三特征上采样层的输出特征图依次经过第四特征融合模块、第九复合残差卷积组模块和第五卷积模块，得到第二特征融合层的输出特征图；
24、经过第九复合残差卷积组模块处理后的特征图和第二特征上采样层的输出特征图作为第三特征融合层的输入；经过第九复合残差卷积组模块处理后的特征图经过第六卷积模块处理后，得到第二拼本文档来自技高网...
【技术保护点】
1.一种无序堆叠工件定位检测方法，其特征在于，包括：
2.如权利要求1所述的无序堆叠工件定位检测方法，其特征在于，所述主干特征提取网络包括第一特征提取层，第二特征提取层、第三特征提取层和第四特征提取层；
3.如权利要求2所述的无序堆叠工件定位检测方法，其特征在于，第一卷积组模块与第二卷积组模块的结构相同，均包括依次相连的卷积单元、归一化单元和激活函数单元；
4.如权利要求1所述的无序堆叠工件定位检测方法，其特征在于，所述主干特征提取网络输出的特征图包括第一特征提取层的输出特征图、第二特征提取层的输出特征图、第三特征提取层的输出特征图和第四特征提取层的输出特征图；
5.如权利要求1所述的无序堆叠工件定位检测方法，其特征在于，所述特征上采样融合网络输出的特征图包括第一特征上采样层的输出特征图、第二特征上采样层的输出特征图、第三特征上采样层的输出特征图、第四特征上采样层的输出特征图和第五特征上采样层的输出特征图；
6.如权利要求1-5任一项所述的无序堆叠工件定位检测方法，其特征在于，所述YTMNet模型还包括筛选模块；
...【技术特征摘要】
1.一种无序堆叠工件定位检测方法，其特征在于，包括：
2.如权利要求1所述的无序堆叠工件定位检测方法，其特征在于，所述主干特征提取网络包括第一特征提取层，第二特征提取层、第三特征提取层和第四特征提取层；
3.如权利要求2所述的无序堆叠工件定位检测方法，其特征在于，第一卷积组模块与第二卷积组模块的结构相同，均包括依次相连的卷积单元、归一化单元和激活函数单元；
4.如权利要求1所述的无序堆叠工件定位检测方法，其特征在于，所述主干特征提取网络输出的特征图包括第一特征提取层的输出特征图、第二特征提取层的输出特征图、第三特征提取层的输出特征图和第四特征提取层的输出特征图；
5.如权利要求1所述的无序堆叠工件定位检测方法，其特征在于，所述特征上采样融合网络输出的特征图包括第一特征上采样层的输出特征图、...
【专利技术属性】
技术研发人员：刘博浩，李洋，赵勇，高英敏，张朋皓，
申请(专利权)人：邢台职业技术学院，
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。