【技术实现步骤摘要】
本专利技术属于图像分割，具体涉及一种高精度场景下的实例分割方法及装置。
技术介绍
1、在精密零器件的测量领域中，传统的测量工具(如三坐标测量机(cmm)和激光干涉仪)，尽管能提供高精度的测量结果，但在处理复杂几何形状和提高测量速度方面存在一定局限性。
2、继而人们引入了深度学习的方法，通过自动化和智能化的技术，解决了在大规模或高复杂度物体的测量时速度较慢的问题，且在多领域的应用中均已取得较好的成果，例如一种金属板表面自动探伤系统，利用机器视觉技术对金属表面缺陷进行自动检查，在生产过程中高速、准确地进行检测，同时由于采用非接角式测量，避免了产生新划伤的可能；又例如一种基于yolov8的缺陷检测方法，可通过训练大量的数据集，实现对陶瓷表面瑕疵的定位和分类检测。
3、而在本领域中，本专利技术特针对高精密测量生产线上需要人工目视定位、标注后数据处理才能得到测量数据等问题，提供一种高精度场景下基于深度学习的实例分割方法，旨在通过深度学习的技术实现精密零器件的分割任务，获取分割出来的物体的尺寸信息，取代人工操作，提高测量效率
4、本文档来自技高网...
【技术保护点】
1.一种高精度场景下基于深度学习的实例分割方法及装置，其特征在于，所述方法包括：
2.如权利要求1所述的一种高精度场景下基于深度学习的实例分割方法，其特征在于，所述将所述数据集送入训练器，得训练结果权重文件，方法包括：
3.如权利要求1所述的一种高精度场景下基于深度学习的实例分割方法，其特征在于，所述在图像数据集中划分出待分割工件的表面图像，将其与所述训练结果权重文件送入推理器，所述训练结果权重文件对图像进行推理，生成分割结果信息，方法包括：
4.如权利要求3所述的一种高精度场景下基于深度学习的实例分割方法，其特征在于，在S304的...
【技术特征摘要】
1.一种高精度场景下基于深度学习的实例分割方法及装置，其特征在于，所述方法包括：
2.如权利要求1所述的一种高精度场景下基于深度学习的实例分割方法，其特征在于，所述将所述数据集送入训练器，得训练结果权重文件，方法包括：
3.如权利要求1所述的一种高精度场景下基于深度学习的实例分割方法，其特征在于，所述在图像数据集中划分出待分割工件的表面图像，将其与所述训练结果权重文件送入推理器，所述训练结果权重文件对图像进行推理，生成分割结果信息，方法包括：
4.如权利要求3所述的一种高精度场景下基于深度学习的实例分割方法，其特征在于，在s304的训练过程中，需固定共享卷积层的权重。
5.如权利要求1所述的一种高精度场景下基于...
【专利技术属性】
技术研发人员：赵韦人，袁耀铭，黄明东，
申请(专利权)人：广东丰鑫智能科技有限公司，
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。