[发明专利]一种基于深度学习的第三轨焊点检测方法及装置

权利要求书

1.一种基于深度学习的第三轨焊点检测方法，其特征在于，包括：

采集待检测的第三轨焊点的图像；

对所述待检测的第三轨焊点的图像进行图像分割处理，以提取包含第三轨焊点的感兴趣区域；

利用残差网络结构构建残差神经网络模型；

利用焊点样本对所述残差神经网络模型进行训练；

利用训练好的所述残差神经网络模型对所述包含第三轨焊点的感兴趣区域进行第三轨焊点检测。

2.根据权利要求1所述的方法，其特征在于，在对所述待检测的第三轨焊点的图像进行图像分割处理前，还包括：

对所述待检测的第三轨焊点的图像进行包括高斯模糊、膨胀和腐蚀中至少一项的预处理。

3.根据权利要求1所述的方法，其特征在于，对所述待检测的第三轨焊点的图像进行图像分割处理，以提取包含第三轨焊点的感兴趣区域，包括：

对所述待检测的第三轨焊点的图像进行二值化处理，得到二值化图像；

对所述二值化图像进行边缘检测和联通域分析，以提取包含第三轨焊点的感兴趣区域。

4.根据权利要求1所述的方法，其特征在于，利用焊点样本对所述残差神经网络模型进行训练，包括：

采用生成对抗网络生成焊点样本；

对所述焊点样本进行数据增强处理；所述数据增强处理包括镜像翻转或随机剪切；

利用数据增强处理后得到的焊点样本对所述残差神经网络模型进行训练。

5.一种基于深度学习的第三轨焊点检测装置，其特征在于，包括：

采集模块，用于采集待检测的第三轨焊点的图像；

分割模块，用于对所述待检测的第三轨焊点的图像进行图像分割处理，以提取包含第三轨焊点的感兴趣区域；

构建模块，用于利用残差网络结构构建残差神经网络模型；

训练模块，用于利用焊点样本对所述残差神经网络模型进行训练；

检测模块，用于利用训练好的所述残差神经网络模型对所述包含第三轨焊点的感兴趣区域进行第三轨焊点检测。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

预处理模块，用于对所述待检测的第三轨焊点的图像进行包括高斯模糊、膨胀和腐蚀中至少一项的预处理。

7.根据权利要求5所述的装置，其特征在于，所述分割模块包括：

处理单元，用于对所述待检测的第三轨焊点的图像进行二值化处理，得到二值化图像；

提取单元，用于对所述二值化图像进行边缘检测和联通域分析，以提取包含第三轨焊点的感兴趣区域。

8.根据权利要求5所述的装置，其特征在于，所述训练模块包括：

生成单元，用于采用生成对抗网络生成焊点样本；

增强单元，用于对所述焊点样本进行数据增强处理；所述数据增强处理包括镜像翻转或随机剪切；

训练单元，用于利用数据增强处理后得到的焊点样本对所述残差神经网络模型进行训练。

9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至4任一所述方法的步骤。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至4任一所述方法的步骤。