[发明专利]一种用于振动图像的语义分割方法、视觉定位方法

说明书

本发明公开了一种用于振动图像的语义分割方法、视觉定位方法。分割方法包括：获取振动图像；通过训练好的语义分割网络模型，获取振动图像的目标分割掩码。振视觉定位方法，包括：采用振动位移提取分支对振动图像的目标分割掩码进行零阶矩和一阶矩的计算；依据计算的零阶矩和一阶矩，获取视频中每一帧振动图像的中心点坐标，再依次对所有视频帧中心点坐标进行位移偏移量回归，从而得出目标位移数据。本发明以高速工业相机为图像采集媒介，以旋转体作为振动位移测量的对象，将基于深度学习的语义分割方法引入到旋转体视觉振动测量领域，并从多角度验证了深度学习方法在旋转体视觉振动测量方面的可行性，且具有非接触、远距离、安装简易等优势。

技术领域

本发明涉及一种用于振动图像的语义分割方法、视觉定位方法，属于计算机视觉领域。

背景技术

在实际应用中转子、轴承、主轴等旋转体在长期使用过程中会产生表面及内部结构的磨损也会引发整台设备产生周期性的振动，这必将影响精密零部件的使用寿命和机械加工的精度，甚至导致极为严重的安全事故。因此对能够准确回归出旋转体振动位移曲线以及判断出该结构体的故障类型，为复杂场景下对旋转类结构体振动位移测量有重大意义。

随着近些年深度学习在机器视觉领域的兴起，因其通过大量数据学习可以获得更多表征不明显的图像特征，开始有学者将其引入到视觉测振领域，基于Bounding Box的目标检测类深度学习方法进行振动位移测量时，首先通过检测网络预测目标位置并用Bounding Box标出，其次根据预测Bounding Box的左上角和右下角坐标计算得出目标中心点坐标，最后通过每帧图像中目标的中心点坐标回归得出振动位移曲线。从图2中目标检测方法的坐标提取示意图可以看出，其精度完全取决于Bounding Box与被测目标的贴合程度，而在检测旋转体目标时经常会如图2(a)和图2(b)所示的Bounding Box大于或小于被测目标的现象，即使如图2(c)所示，Bounding Box的大小恰好贴合目标，放大后可以看出预测的目标中心点坐标A1与真实坐标A0之间依旧存在些许误差。这会导致帧间目标中心振动点的相对偏移量产生细微偏移，进而使得最终回归的位移曲线产生极为严重的误差。

发明内容

本发明提供了一种用于振动图像的语义分割方法，以用于构建的CSP+Mobiledets骨干网络对振动图像的目标进行分割，并进一步利用分割的图像获取目标中心点，进而实现位移曲线的获取。

本发明的技术方案是：

根据本发明的另一方面，提供了一种用于振动图像的语义分割方法，包括：获取振动图像；通过训练好的语义分割网络模型，获取振动图像的目标分割掩码；所述语义分割网络模型以分割网络U-Net为基础框架，将CSP+Mobiledets骨干网络作为Encoder分支进行初步特征提取，然后对其提取的5个特征层利用Decoder分支进行加强特征提取，以此达到分割网络的特征层解码。

所述语义分割网络模型在训练模型时加入Dice-loss损失函数。

搭建的CSP+Mobiledets骨干网络，沿用Mobiledets网络中的FIBN模块、TC模块，将CBR模块替换为CBM模块，并且使用CPSNet中的CSP模块将不同深度的语义信息进行特征融合。