[发明专利]一种基于卷积神经网络的工件目标定位孔定位及姿态判定方法

权利要求书

1.一种基于卷积神经网络的工件目标定位孔定位及姿态判定方法，其特征在于，包括下列步骤：

搭建卷积神经网络并训练标记样本集，确定检测参数；

使用所述卷积神经网络对工件目标图像集进行定位孔检测，得到所述定位孔的圆周轮廓和圆心坐标集；

对所述圆心坐标集修正并加权处理，得到修正定位孔圆心坐标；

对所述圆周轮廓进圆度拟合，得到拟合圆周轮廓集；

标记所述圆周轮廓集每帧图像拟合圆的最小矩形；

对所述最小矩形的相邻边长进行加权处理，得到修正矩形相邻边边长；

根据所述修正矩形相邻边边长，判断所述工件目标的姿态，并计算姿态信息。

2.如权利要求1所述的基于卷积神经网络的工件目标定位孔定位及姿态判定方法，其特征在于，搭建卷积神经网络并训练标记样本集，确定检测参数，包括：

获取样本工件目标定位孔的不同姿态图像数据集；

生成并标记样本集，获取所述样本目标工件大量不同角度的图片作为样本集，并对所述样本集进行标注；

搭建YOLO目标检测网络，添加相应的损失函数，获取所述样本集中工件目标的轮廓信息；

开始训练网络，直至损失函数收敛，保存参数。

3.如权利要求2所述的基于卷积神经网络的工件目标定位孔定位及姿态判定方法，其特征在于，搭建YOLO目标检测网络，包括：

将一幅图片划分成N×N个网络；

对每个所述网络预测Z个边框及M个分类；

对每个所述边框进行中心点坐标和高度宽度及置信度参数进行预测；

将所述网格预测的类别信息和边框预测的置信度相乘，以此得到每个所述边框的类别置信度分数；

上述所有预测出的所述边框所对应的置信度分数代表着框中属于真实前景目标的概率，并规定当概率值小于某所设置阈值时删除该框；

对剩余的框进行非极大值抑制。

4.如权利要求2所述的基于卷积神经网络的工件目标定位孔定位及姿态判定方法，其特征在于，使用所述卷积神经网络对工件目标图像集进行定位孔检测，包括：

通过工业相机获取所述工件目标的定位孔一的图像集α和定位孔二的图像集β；

对获取的所述工件目标的图像进行预处理；

使用所述卷积网络处理所述图像集α，进行所述定位孔一的检测，并标记出所述定位孔一的圆周轮廓及圆心，得到所述定位孔一的圆心坐标集；

使用所述卷积网络处理所述图像集β，进行所述定位孔二的检测，并标记出所述定位孔二的圆周轮廓及圆心，得到所述定位孔二的圆心坐标集。

5.如权利要求3所述的基于卷积神经网络的工件目标定位孔定位及姿态判定方法，其特征在于，对所述圆周轮廓进圆度拟合，包括：

对所述图像集合α和所述图像集合β中每个定位孔图像的圆周轮廓进行圆度拟合，获得所述定位孔一的拟合轮廓图像集A和所述定位孔一的拟合轮廓图像集B。

6.如权利要求4所述的基于卷积神经网络的工件目标定位孔定位及姿态判定方法，其特征在于，标记所述圆周轮廓集每帧图像拟合圆的最小矩形，包括：

标记出所述拟合轮廓图像集A和所述拟合轮廓图像集B中每帧图像拟合圆轮廓的最小外切矩形。

7.如权利要求5所述的基于卷积神经网络的工件目标定位孔定位及姿态判定方法，其特征在于，

在得到修正矩形相邻边边长的过程中，得到所述定位孔一对应的修正矩形相邻边边长A-(R，r)和所述定位孔二对应的修正矩形相邻边边长B-(D，d)。

8.如权利要求6所述的基于卷积神经网络的工件目标定位孔定位及姿态判定方法，其特征在于，根据所述修正矩形相邻边边长，判断所述工件目标的姿态，包括：

若R＝r和D＝d同时成立，所述工件目标相对于图像坐标系XY轴平面未发生倾斜；

若R＝r和D＝d其中一个成立，所述工件目标存在畸变；

若R＝r和D＝d都不成立，所述工件目标相对于图像坐标系XY轴平面发生倾斜，并计算姿态信息。

9.如权利要求7所述的基于卷积神经网络的工件目标定位孔定位及姿态判定方法，其特征在于，计算姿态信息，包括：

将所述修正矩形的长边的长度标记为R、D，短边的长度标记为r、d；

通过空间几何关系可以获得所述工件目标相对于图像坐标系XY轴平面倾斜角度；

根据同一工件目标倾斜角度的统一性原理，获得所述工件目标所在平面相对于图像坐标系XY轴平面倾斜角度；

通过所述R和所述D获取所述长边与图像坐标系X正向的夹角δ、δ'；

根据所述夹角δ、δ'和同一工件目标旋转角度的统一性原理，获得所述工件目标相对于图像坐标系X轴的倾斜角度。