CNC自動測量的模型訓(xùn)練方法、測量方法和系統(tǒng)、設(shè)備、介質(zhì)和過程

CNC自動測量的模型訓(xùn)練方法、測量方法、系統(tǒng)、設(shè)備及介質(zhì)

技術(shù)領(lǐng)域

1. 本技術(shù)涉及cnc自動測量技術(shù)領(lǐng)域，尤其涉及一種用于cnc自動測量的模型訓(xùn)練方法、測量方法及系統(tǒng)、終端設(shè)備和存儲介質(zhì)。

背景技術(shù)：

c（computerized numeric control，計算機數(shù)控）尺寸自動測量是工業(yè)視覺領(lǐng)域中非常重要的一個環(huán)節(jié)，測量精度需要達到微米級，涉及到自動對焦、自動??邊緣提取、圖像合成等ai技術(shù)。雖然目前cnc自動測量技術(shù)發(fā)展很快，但要實現(xiàn)cnc自動測量還有很長的路要走。

3.由于計算機硬件設(shè)備的快速發(fā)展，機器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)成為近年來人工智能領(lǐng)域最熱門的技術(shù)。各行業(yè)因人工智能帶來的便利而迅速發(fā)展，如：人臉識別、機器翻譯、智能家居等，如何將深度學(xué)習(xí)技術(shù)應(yīng)用到cnc自動測量中是亟待解決的問題。

技術(shù)實現(xiàn)要素：

4.有鑒于此，本技術(shù)提供了一種用于cnc自動測量的模型訓(xùn)練方法和系統(tǒng)。模型訓(xùn)練方法基于cnc切片圖像及其對應(yīng)的標注輪廓信息訓(xùn)練分割模型，實現(xiàn)cnc自動測量。

5.為了解決上述技術(shù)問題，本技術(shù)采用以下技術(shù)方案：

6. 一方面，根據(jù)本發(fā)明實施例，提供了一種cnc自動測量的模型訓(xùn)練方法，該方法包括：

7. 獲取帶有標簽信息的圖像樣本，圖像樣本包括cnc圖像，標簽信息包括cnc圖像上的標注對應(yīng)的輪廓信息；

8. 基于圖像樣本訓(xùn)練分割模型。

9. 優(yōu)選地，基于圖像樣本訓(xùn)練分割模型包括：

10.基于cnc拼圖進行多層卷積和池化操作，最終得到深層語義特征；

11. 基于深度語義特征訓(xùn)練得到的分割模型。

12.優(yōu)選地，基于cnc碎片圖像進行多層卷積和池化操作包括：

13. 在獲取深層語義特征之前，還獲取了多層淺層語義特征，對多層淺層語義特征進行特征處理；

14.對深層語義特征和處理后的淺層語義特征進行融合處理，得到融合特征；

15. 基于融合特征訓(xùn)練得到分割模型。

16.優(yōu)選地，在獲取深層語義特征之前，還獲取了多層淺層語義特征，對多層淺層語義特征進行特征處理包括：

17. 獲取第一個淺層語義特征和第二個淺層語義特征；

18. 基于深層語義特征使用插值對第二個淺層語義特征進行上采樣得到深層語義特征

圖層上的采樣特征；

19.將深上采樣特征和第二個淺層語義特征按照通道維度拼接并進行卷積得到第二個淺層新特征；

20. 基于第二個淺層新特征直到cnc圖像上采樣，得到第一個cnc圖像特征。

21.優(yōu)選地，將深層語義特征與處理后的淺層語義特征進行融合，得到融合特征，包括：

22.分別基于第一淺層語義特征和第二淺層語義特征對cnc圖像特征進行上采樣，得到第二cnc圖像特征和第三cnc圖像特征；

2 3. 根據(jù)第一個cnc圖像特征、第二個cnc圖像特征、第三個cnc圖像特征進行融合處理，得到融合特征；

24.基于融合特征訓(xùn)練得到分割模型，以cnc分片圖像為輸入，將cnc分片圖像上對應(yīng)標注的輪廓信息作為輸出結(jié)果。

25.第二方面，根據(jù)本發(fā)明實施例，提供了一種基于cnc自動測量的模型訓(xùn)練方法得到的分割模型的cnc自動測量方法，包括：

26.獲取cnc圖片；

2 7. 將cnc圖像輸入到訓(xùn)練好的分割模型中，得到cnc圖像的輪廓信息；

28.根據(jù)輪廓信息實現(xiàn)cnc自動測量。

29.第三方面，根據(jù)本發(fā)明實施例，還提供了一種用于cnc自動測量的模型訓(xùn)練系統(tǒng)，包括：

3 0.獲取模塊用于獲取帶有標簽信息的圖像樣本，其中圖像樣本包括cnc圖像，標簽信息包括在cnc圖像上對應(yīng)標注的輪廓信息。

3 1. 訓(xùn)練模塊，用于訓(xùn)練基于圖像樣本的分割模型。

32.第四方面，根據(jù)本發(fā)明實施例，還提供了一種cnc自動測量系統(tǒng)，包括：

3 3.采集模塊，用于采集cnc圖像；

3 4.分割模塊，用于將cnc圖像輸入到訓(xùn)練好的分割模型中，得到cnc圖像的輪廓信息；

3 5.測量模塊，用于實現(xiàn)基于輪廓信息的cnc自動測量。

36.在第五方面，本發(fā)明實施例還提供了一種終端設(shè)備，該終端設(shè)備包括：

37.處理器；

38. 內(nèi)存；程序，該程序存儲在存儲器中，用于由處理器執(zhí)行，使終端設(shè)備實現(xiàn)cnc自動測量模型訓(xùn)練方法。

39.在第六方面，本發(fā)明實施例還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序：該計算機程序由處理器執(zhí)行以實現(xiàn)自動cnc測量模型的方法訓(xùn)練方法。

40. 本技術(shù)的上述技術(shù)方案至少具有以下有益效果之一：

41.根據(jù)本技術(shù)實施例的用于cnc自動測量的模型訓(xùn)練方法和系統(tǒng)。模型訓(xùn)練方法基于cnc切片圖像及其相應(yīng)標記的輪廓信息進行分割模型訓(xùn)練。在訓(xùn)練過程中進行多層卷積和池化操作獲得深層語義特征，并根據(jù)深層語義特征訓(xùn)練得到分割模型來改進模型

訓(xùn)練的分割效果；將cnc片圖像多次下采樣得到的淺層語義特征與最終深度語義特征上采樣過程中得到的新特征進行拼接卷積，從而得到最終的cnc圖像特征更多的特征可以提高模型的效果訓(xùn)練并進一步提高圖像分割的準確性。

圖紙說明

42. 圖。附圖說明圖1為本發(fā)明實施例提供的cnc自動測量的模型訓(xùn)練方法的整體流程圖；

43. 圖。圖2為本發(fā)明實施例提供的cnc自動測量的模型訓(xùn)練方法中模型訓(xùn)練的具體流程圖；

44. 圖。圖3為本發(fā)明實施例提供的cnc自動測量的模型訓(xùn)練方法中多層卷積池化操作的具體流程圖。

45. 圖。圖4為本發(fā)明實施例提供的cnc自動測量的模型訓(xùn)練方法中處理多層淺層語義特征的具體流程圖。

46. 圖。圖5為本發(fā)明實施例提供的cnc自動測量的模型訓(xùn)練方法中上采樣深度語義特征的邏輯示意圖；

47. 圖。圖6為本發(fā)明實施例提供的cnc自動測量的模型訓(xùn)練方法中分割模型的結(jié)構(gòu)圖。

48. 圖。圖7為本發(fā)明實施例提供的cnc自動測量的模型訓(xùn)練方法中融合處理的流程圖。

49. 圖。圖8為本發(fā)明實施例提供的cnc自動測量方法的整體流程圖。

50. 圖9為本發(fā)明技術(shù)實施例所涉及的產(chǎn)品示例示意圖；

51. 圖。圖10為本技術(shù)實施例提供的方法對產(chǎn)品輪廓進行分割定位的效果圖；

52. 圖。圖11是根據(jù)本技術(shù)實施例的用于cnc自動測量的模型訓(xùn)練系統(tǒng)的框圖；

53. 圖。圖12是根據(jù)本技術(shù)實施例的cnc自動測量系統(tǒng)的框圖。

54. 參考標志：

55.10、采集模塊；20、訓(xùn)練模塊；100、采集模塊；200、分割模塊；300、 測量模塊。

詳細方法

56. 下面結(jié)合技術(shù)實施例中的附圖，對技術(shù)實施例中的技術(shù)方案進行清楚、完整的描述。顯然，所描述的實施例是技術(shù)實施例的一部分，而不是全部的實施例?；诒炯夹g(shù)中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本技術(shù)保護的范圍。

57. 本發(fā)明實施例提供了一種cnc自動測量的模型訓(xùn)練方法。模型訓(xùn)練方法基于cnc切片圖像和相應(yīng)標注的輪廓信息進行分割模型訓(xùn)練自動測量設(shè)備，在訓(xùn)練過程中進行多層訓(xùn)練。卷積和池化操作得到深層語義特征，并基于深層語義特征進行訓(xùn)練得到分割模型，提高了模型訓(xùn)練的分割效果。

58. 下面將參考具體附圖詳細描述本技術(shù)的各種實施例。

59.在本技術(shù)的一個實施例中，提供了一種用于cnc自動測量的模型訓(xùn)練方法。如圖所示。1、該方法具體包括以下步驟：

60.s1、 獲取帶有標簽信息的圖像樣本，圖像樣本包括cnc圖像，標簽信息包括cnc圖像上的標注對應(yīng)的輪廓信息。收集各種cnc零件圖像，并在cnc圖像上手動標記。標記的輪廓信息包括cnc零件的邊緣和輪廓。

61.s2、 基于圖像樣本訓(xùn)練分割模型。

62. 在一個實施例中，如圖6所示。2、步驟s2還包括以下步驟：

63.s21、基于cnc碎片圖像進行多層卷積和池化操作，最終得到深層語義特征。

64.s22、 基于深度語義特征訓(xùn)練得到分割模型。

65. 也就是說cnc圖像的深層語義特征是通過多個卷積層和池化層得到的。其中，卷積層包括bn層和relu激活層。例如：一張尺寸為512*512的cnc圖像經(jīng)過多層卷積和池化后，得到64*64的深層語義特征，對cnc圖像進行那些多層卷積和池化操作得到更多 cnc 碎片的圖像特征可以提高圖像分割的準確性。

66. 進一步的，在步驟s21中，如圖3所示，還包括以下步驟：

67.s211、在獲取深層語義特征之前也先獲取多層淺層語義特征，對多層淺層語義特征進行特征處理；

68.s212、將深層語義特征與淺層語義特征融合，得到融合特征；

69.s213、 基于融合特征訓(xùn)練得到分割模型。

70. 也就是說，在對cnc塊圖像進行多次下采樣操作，即池化操作的過程中，會得到多個淺層語義特征，最終的深層語義特征與多個淺層語義特征結(jié)合語義。特征融合處理獲得融合特征，融合特征比深層語義特征具有更多的特征信息，提高模型訓(xùn)練的效果，進一步提高圖像分割的準確率。

71. 進一步的，如圖4和圖5所示，步驟s211還包括以下步驟：

72.s2111、 獲取第一個淺層語義特征和第二個淺層語義特征。

73. 即本實施例對cnc圖像進行3次下采樣，分別得到第一淺層語義特征、第二淺層語義特征、深層語義特征。當然，cnc圖像的下采樣操作可以根據(jù)具體情況進行更多次，本發(fā)明實施例對此不作限定。

74.s2112、 基于深層語義特征使用插值方法上采樣到第二個淺層語義特征，得到深度上采樣特征。

75. 即通過插值將深層語義特征的特征尺寸放大到與第二個淺層語義特征相同的尺寸，得到深度上采樣特征。

76.s2113、 深度上采樣特征和第二個淺層語義特征根據(jù)通道維度拼接并進行卷積運算得到第二個淺層新特征。

77. 也就是將步驟s2112得到的深上采樣特征和下采樣得到的第二個淺層語義特征按照通道維度拼接并連接到一個卷積層，得到第二個淺層語義特征新功能。繼續(xù)舉例，將64*64深度語義特征上采樣到第二個淺語義特征對應(yīng)的128*128大小，即深度上采樣特征，將深度上采樣特征與第二個淺語義特征拼接執(zhí)行以獲得第二個淺層的新特征。

78.s2114、 基于第二個淺層的新特征，直到cnc圖像上采樣，得到第一個cnc圖像特征。

79. 也就是將第二個128*128大小的淺層新特征不斷上采樣到256*256的大小，得到第二個淺層上采樣特征。第二個淺上采樣特征和第一個淺語義特征根據(jù)通道維度拼接，連接到一個卷積層，得到第一個淺新特征。

80.進一步對第一個淺層新特征進行上采樣操作，得到大小為512*512的第一個淺層上采樣特征。第一個淺上采樣特征和cnc圖像將通道維度拼接并連接到一個卷積層，得到第一個cnc圖像特征。

81.在本發(fā)明實施例中，將cnc片圖像多次下采樣得到的淺層語義特征與最終深層語義特征上采樣得到的新特征進行拼接卷積，以便最終Get cnc image features獲得更多的特征。

82. 在一個實施例中，如圖8所示。7、步驟s212還包括以下步驟：

83.s2121、分別根據(jù)第一淺語義特征和第二淺語義特征對cnc圖像進行上采樣，得到第二個cnc圖像特征和第三個cnc圖像特征.

84. 也就是說，本步驟的方法與步驟s2112至步驟s2114相同，只是步驟s2112至步驟s2114是基于深度語義特征的上采樣，本步驟基于第一個淺層語義特征分別與第二個淺層語義特征分別進行上采樣，分別得到第二個cnc圖像和第三個cnc圖像特征。

85.s2122、 根據(jù)第一cnc圖像特征、第二cnc圖像特征、第三cnc圖像特征進行融合處理，得到融合特征。

86. 即對步驟s2112至步驟s2114得到的第一cnc圖像特征、第二cnc圖像特征和第三cnc圖像特征進行融合，得到融合特征。

87.s2123、 基于融合特征訓(xùn)練得到分割模型，以cnc碎片圖像為輸入，以cnc碎片圖像上相應(yīng)標注的輪廓信息作為輸出結(jié)果。

88. 在一個實施例中，如圖8所示。6，圖。圖6為本發(fā)明實施例中分割模型的結(jié)構(gòu)圖。本發(fā)明實施例的下采樣過程中的卷積操作包括使用3*3的卷積核，在特征周圍填充0，使得特征經(jīng)過卷積操作后特征的大小保持不變。本發(fā)明實施例中的池化操作優(yōu)選的最大池化層為2*2，步長為2，使得操作后的特征大小減少2倍。

89. 在一個實施例中，模型的訓(xùn)練過程還包括使用損失函數(shù)使模型訓(xùn)練更好。此外，結(jié)合iou（intersection over union）和bce的損失函數(shù)用于獲得更準確的邊緣特征提取的分割模型。其中，iou函數(shù)是兩個區(qū)域的重疊部分除以兩個區(qū)域的集合部分的結(jié)果；bce 函數(shù)是：

[0090] [0091]

因為只有正例和負例，而且兩者的概率之和為1，那么只需要預(yù)測一個概率，可以簡化為：

[0092]

損失(y

′

一世

, Y

一世

)=

－

瓦

一世

[y

一世

*邏輯

′

一世

+(1

－

是

一世

)*日志(1

－

是

′

一世

)]

[0093][0094]

為了對深度學(xué)習(xí)端的預(yù)測結(jié)果進行評價，衡量分割模型的質(zhì)量，提出新的評價標準，中間位置對應(yīng)像素的偏差。具體如下： 一般cnc測量過程中主要的預(yù)測項目是直線和圓，但分割模型的預(yù)測結(jié)果往往存在偏差。兩者之間的位置偏差是逐個像素計算的。當偏差為零像素時，預(yù)測位置與實際位置完全重合。當然，這種理想狀態(tài)基本不存在。因此，當預(yù)測偏差低于預(yù)設(shè)的閾值比時，分割模型可以達到良好的分割效果。

[0095]

本發(fā)明還提供了一種基于cnc自動測量模型訓(xùn)練方法訓(xùn)練的分割模型的cnc自動測量方法，如圖1所示。8、包括以下步驟：

[0096]

s001、 獲取cnc圖片；

[0097]

s002、 將cnc圖像輸入到訓(xùn)練好的分割模型中，得到cnc圖像的輪廓信息；

[0098]

s003、 實現(xiàn)基于輪廓信息的cnc自動測量。

[0099]

也就是說，利用上面實施例中訓(xùn)練的模型對cnc圖像進行分割自動測量設(shè)備，即把cnc圖像輸入到分割模型中，輸出cnc圖像的輪廓信息，即上的邊緣和輪廓線cnc圖像等，實現(xiàn)cnc自動測量。

[0100]

本發(fā)明實施例提供的cnc自動測量的模型訓(xùn)練方法和本發(fā)明實施例提供的cnc自動測量方法得到的分割模型用于對產(chǎn)品進行自動測量，如圖1所示。9、分別用圓弧邊和直邊提取兩個產(chǎn)品，得到如圖10所示的分割定位效果。利用本發(fā)明實施例中預(yù)測結(jié)果的評分和本發(fā)明實施例提供的方法預(yù)測位置與真實位置的像素偏差，直線邊緣完全重合的像素可以達到 84.7%，不到三個。像素比例偶為91. 6%。由于彎曲邊緣的復(fù)雜性，重疊像素的比例為29.3%，但小于三個像素的比例也達到87.2%。

[0101]

語義分割是像素級別的分類任務(wù)，相當于一個像素代表一個樣本，所以不需要龐大的樣本數(shù)據(jù)。同時，產(chǎn)品背景和前景比較簡單，比較一致。經(jīng)過多次實驗，已經(jīng)通過數(shù)十張圖片驗證。數(shù)據(jù)可以達到很好的效果。另一方面，使用遷移學(xué)習(xí)技術(shù)，先預(yù)訓(xùn)練一個更好的模型，然后對具體的任務(wù)進行微調(diào)，在減少時間和人力成本的同時取得了不錯的效果。同時，人工貼標被自動標簽生成取代，大大提高了工作效率。然而，邊緣提取的語義分割的主要問題是當干擾因素很大時，可能會錯誤地捕獲一些邊緣。

[0102]

基于上述技術(shù)問題，本發(fā)明實施例采用傳統(tǒng)算法對分割模型得到的輪廓信息進行干預(yù)，即采用傳統(tǒng)算法進行亞像素計算，進一步修改輪廓信息，提高定位精度，并進一步提高cnc自動測量的精度；其中，傳統(tǒng)算法至少包括閾值分割、ransac（隨機樣本一致性，隨機采樣一致性算法）、多項式插值獲得子像素。

[0103]

本發(fā)明實施例還提供了一種用于cnc自動測量的模型訓(xùn)練系統(tǒng)，如圖1所示。如圖11所示，包括獲取模塊10和訓(xùn)練模塊20，其中獲取模塊10用于獲取帶有標簽信息的圖像樣本，其中圖像樣本包括一張cnc圖像，標簽信息包括對應(yīng)標注的輪廓信息。 cnc圖片；訓(xùn)練模塊20用于訓(xùn)練基于圖像樣本的分割模型。

[0104]

進一步地，訓(xùn)練模塊包括卷積池化運算單元和訓(xùn)練單元。卷積池化操作單元用于基于cnc切片圖像進行多層卷積和池化操作，最終獲得深層語義特征；訓(xùn)練單元是基于深度語義特征訓(xùn)練得到的分割模塊。

[0105]

進一步地，卷積池化運算單元包括特征處理子單元、特征融合子單元和訓(xùn)練子單元；特征處理子單元用于在獲取深層語義特征之前獲取多層淺層語義特征，并比較多個對淺層語義特征進行特征處理；特征融合子單元用于對深層語義特征和處理后的淺層語義特征進行融合處理，得到融合特征；訓(xùn)練子單元用于在融合的基礎(chǔ)上進行融合處理，通過特征訓(xùn)練得到分割模型。

[0106]

進一步地，特征處理子單元包括第一上采樣子單元和拼接子單元，上采樣子單元用于將第二淺層語義特征上采樣為第二淺層語義特征。對深層語義特征進行分析，得到深層上層語義特征。采樣功能；拼接子單元用于根據(jù)通道維度拼接深上采樣特征和第二淺語義特征，并進行卷積運算得到第二淺新特征；使用第一個上采樣子單元基于第二個淺層新特征，直到對cnc圖像進行上采樣，得到第一個cnc圖像特征。

[0107]

進一步的，特征融合子單元包括第二上采樣子單元和融合處理子單元，第二上采樣子單元用于分別基于第一淺層語義特征和第二淺層語義特征進行上采樣直至cnc圖像，第二cnc得到圖像特征和第三個cnc圖像特征；融合處理子單元用于根據(jù)第一cnc圖像特征、第二cnc圖像特征和第三cnc圖像特征對特征進行融合處理，得到融合特征。

[0108]

本發(fā)明還提供了一種cnc自動測量系統(tǒng)，如圖1所示。參見圖12，包括獲取模塊100、分割模塊200和測量模塊300，獲取模塊100用于獲取cnc件圖像；分割模塊200用于將cnc圖像輸入到訓(xùn)練好的分割模型中，得到cnc圖像的輪廓信息。測量模塊300用于根據(jù)輪廓信息實現(xiàn)自動cnc測量。

[0109]

本發(fā)明實施例還提供了一種終端設(shè)備，該終端設(shè)備包括：處理器；一段記憶；程序，該程序存儲在存儲器中，用于由處理器執(zhí)行，使終端設(shè)備實現(xiàn)cnc自動測量的模型訓(xùn)練方法。

[0110]

本發(fā)明實施例還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序：該計算機程序由處理器執(zhí)行，以實現(xiàn)cnc自動測量的模型訓(xùn)練方法。

[0111]

需要說明的是，在本專利的實施例和說明書中，第一、第二等關(guān)系術(shù)語僅用于區(qū)分一個實體或操作與另一個實體或操作，并不一定要求或暗示存在任何此類實際關(guān)系或這些實體或操作之間的順序。此外，術(shù)語“包括”、“包括”或其任何其他變體旨在涵蓋非排他性的包括，因此包括一系列要素的過程、方法、物品或裝置不僅包括那些要素，而且還包括那些未明確列出的其他要素，或還包括此過程、方法、物品或設(shè)備固有的要素。如果沒有更多限制，則由句子“包括一個”定義的元素

[0112]

以上是該技術(shù)的優(yōu)選實施例。需要指出的是，對于本領(lǐng)域普通技術(shù)人員來說，在不脫離本技術(shù)原理的情況下，可以進行一些改進和修改。這些改進和修改也應(yīng)視為本技術(shù)的保護范圍。