[发明专利]用于CNC自动测量的模型训练方法、测量方法及系统、设备、介质

说明书

本发明提供一种用于CNC自动测量的模型训练方法、CNC自动测量方法及系统、终端设备、存储介质，该方法包括获取带有标签信息的图像样本，其中，所述图像样本包括CNC件图像，所述标签信息包括所述CNC件图像上对应标注的轮廓信息；基于所述图像样本训练分割模型；该模型训练方法基于CNC件图像及其对应标注的轮廓信息进行分割模型训练，在训练过程中进行多层卷积与池化操作得到深层语义特征，基于深层语义特征进行训练得到分割模型，提高模型训练的分割效果。

技术领域

本申请涉及CNC自动测量技术领域，尤其涉及一种用于CNC自动测量的模型训练方法、测量方法及系统、终端设备、存储介质。

背景技术

CNC(Computerized Numerical Control，计算机数控)全自动尺寸测量是工业视觉领域非常重要的一个环节，测量精度需要达到微米级，这其中涉及到了诸多技术，例如自动对焦、自动边缘提取、影像合成等等AI技术。虽然目前CNC自动测量技术得到了飞速发展，但是要实现CNC的全自动测量仍然任重道远。

由于计算机硬件设备的飞速发展，机器学习与深度学习技术成为近些年来人工智能领域中最为火热的一门技术，各行各业都因人工智能带来的便利得到快速发展，例如：人脸识别、机器翻译、智能家居等。如何将深度学习技术应用于CNC自动测量是急需要解决的。

发明内容

有鉴于此，本申请提供一种用于CNC自动测量的模型训练方法及系统，该模型训练方法基于CNC件图像及其对应标注的轮廓信息进行分割模型的训练，以实现CNC自动测量。

为解决上述技术问题，本申请采用以下技术方案：

一方面，根据本发明实施例提供一种用于CNC自动测量的模型训练方法，所述方法包括：

获取带有标签信息的图像样本，其中，所述图像样本包括CNC件图像，所述标签信息包括所述CNC件图像上对应标注的轮廓信息；

基于所述图像样本训练分割模型。

优选地，所述基于所述图像样本训练分割模型，包括：

基于所述CNC件图像进行多层卷积与池化操作，最终得到深层语义特征；

基于所述深层语义特征训练得到所述分割模型。

优选地，基于所述CNC件图像进行多层卷积与池化操作，包括：

在得到所述深层语义特征之前还得到多层浅层语义特征，并对多层所述浅层语义特征进行特征处理；

将所述深层语义特征与处理后的所述浅层语义特征进行融合处理，得到融合特征；

基于所述融合特征训练得到所述分割模型。

优选地，在得到所述深层语义特征之前还得到多层浅层语义特征，并对多层所述浅层语义特征进行特征处理，包括：

得到第一浅层语义特征与第二浅层语义特征；

基于所述深层语义特征利用插值的方式上采样到所述第二浅层语义特征，得到深层上采样特征；

将所述深层上采样特征与所述第二浅层语义特征按照通道维度进行拼接并进行卷积操作，得到第二浅层新特征；

基于所述第二浅层新特征直至上采样到所述CNC件图像，得到第一CNC件图像特征。

优选地，将所述深层语义特征与处理后的所述浅层语义特征进行融合处理，得到融合特征，包括：

分别基于所述第一浅层语义特征与所述第二浅层语义特征进行上采样直至所述CNC件图像，得到第二CNC件图像特征与第三CNC件图像特征；