【技术实现步骤摘要】
本专利技术涉及计算机视觉和深度学习，具体地说是一种基于深度学习的2d视觉线缆状态分类方法、设备及介质。
技术介绍
1、目前电线电缆产量很大，并且其己成为仅次于汽车生产业的工业产业。在线缆的制备和成卷的过程中，由于线缆的直径误差、线缆间静电力和线盘主轴跳动等客观因素的影响，线缆常会出现叠线、间隙等意外情况。因此，在实际生产中，大多数企业采用手工绕线排线的方式进行线缆绕制，但人工绕制的过程需要大量人力且效率低下，并且在人眼的分辨过程中具有一定的主观性与随机性往往出现误检和漏检的情况。
2、随着计算机的发展，人工智能算法尤其是神经网络得到了长足的发展，在工业领域应用的实例也越来越多，证实了神经网络在工业具有良好的适用性。
3、在线缆收线中，2d相机由于拍摄角度及拍摄范围等因素的影响，很难只拍摄线缆，往往会同时拍摄到工作环境，而在工业生产中坏境是及其复杂的，对线缆状态分类有较大影响。而且对于线缆不同的收线状态，只有少部分线缆区域有差别，大多数线缆区域变化不明显，这也为线缆状态分类带来了巨大的挑战。
4、故如何...
【技术保护点】
1.一种基于深度学习的2D视觉线缆状态分类方法，其特征在于，该方法是通过tow-stage分类方法将线缆收线过程中的状态分为未到边、到边未转向、到边转向以及转向完成四大类；具体如下：
2.根据权利要求1所述的基于深度学习的2D视觉线缆状态分类方法，其特征在于，分割阶段具体如下：
3.根据权利要求2所述的基于深度学习的2D视觉线缆状态分类方法，其特征在于，线缆图片分辨率为1920×512。
4.根据权利要求2所述的基于深度学习的2D视觉线缆状态分类方法，其特征在于，数据增强处理方式包括随机剪裁、颜色抖动失真、水平翻转和随机cutout
...【技术特征摘要】
1.一种基于深度学习的2d视觉线缆状态分类方法，其特征在于，该方法是通过tow-stage分类方法将线缆收线过程中的状态分为未到边、到边未转向、到边转向以及转向完成四大类；具体如下：
2.根据权利要求1所述的基于深度学习的2d视觉线缆状态分类方法，其特征在于，分割阶段具体如下：
3.根据权利要求2所述的基于深度学习的2d视觉线缆状态分类方法，其特征在于，线缆图片分辨率为1920×512。
4.根据权利要求2所述的基于深度学习的2d视觉线缆状态分类方法，其特征在于，数据增强处理方式包括随机剪裁、颜色抖动失真、水平翻转和随机cutout的任意组合；
5.根据权利要求2-4中任一项所述的基于深度学习的2d视觉线缆状态分类方法，其特征在于，stdc网络模型包括两个输出，分别为network architecture中stage3的输出经过detail head的细节输出以及最终经过seg head的分割输出，将network architecture中stage3的输出经过detail head的细节输出以及最终经过seg head的分割输出分别计算loss组成总loss；其中，detail head只在训练阶段计算；标签只需要...
【专利技术属性】
技术研发人员：陈宏，
申请(专利权)人：浪潮软件集团有限公司，
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。