(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211176867.3 (22)申请日 2022.09.26 (71)申请人 北京大恒图像 视觉有限公司 地址 100193 北京市海淀区东北旺西路8号 中关村软件园9 号楼国际软件大厦2区 3层 (72)发明人 王铮　申磊　孟凤　齐涵　邓红丽　 (74)专利代理 机构 北京律谱知识产权代理有限 公司 11457 专利代理师 黄莉 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/73(2017.01) G06V 10/25(2022.01) G06V 10/24(2022.01)G06V 10/54(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于深度学习的工业产品图像角度检 测与校正方法 (57)摘要 本发明涉及一种基于深度学习的工业产品 图像角度检测与校正方法， 包括以下步骤： 步骤 1， 采集工业产品图像信息； 步骤2， 搭建工业产品 图像角度检测神经网络模型， 利用工业产品图像 信息对网络模型进行训练； 步骤3， 神经网络模型 训练结束后， 加载已训练的模型参数， 经过模型 前向运算得到结果特征图， 将其按照标注的标签 形式还原后得到网络模型预测结果； 步骤4， 根据 神经网络模 型预测得到的目标位置和角度， 对工 业产品图像进行角度校正， 将检测后的工业产品 图像角度校正到统一朝向。 权利要求书4页 说明书9页 附图4页 CN 115511827 A 2022.12.23 CN 115511827 A 1.一种基于深度学习的工业产品图像角度检测与校正方法， 其特征在于， 所述基于深 度学习的工业产品图像角度检测与校正方法包括以下步骤： 步骤1， 采集工业产品图像信息； 步骤2， 搭建工业产品图像角度检测神经网络模型， 利用工业产品图像信息对 网络模型 进行训练； 步骤3， 神经网络模型训练结束后， 加载已训练的模型参数， 经过模型前向运算得到结 果特征图， 将其按照标注的标签形式还原后得到网络模型 预测结果； 步骤4， 根据神经网络模型预测得到的目标位置和角度， 对工业产品图像进行角度校 正， 将检测后的工业产品图像角度校正到统一朝向。 2.根据权利要求1所述基于深度学习的工业产品图像角度检测与校正方法， 其特征在 于， 在步骤1还 包括以下步骤： 步骤101， 在生产现场使用工业相机采集足量的工业产品图像数据， 图像数据大小为 416×416像素； 步骤102， 对采集的数据进行数据清洗， 保留图像清晰、 曝光正常、 特征明显的图像数 据； 步骤103， 对工业产品图像中花纹部分进行标注， 标注形式为任意方向的矩形， 其表示 方法为[类别， 矩形宽度， 矩形高度， 矩形中心点坐标(x， y)， 矩形方向向量与平面直角坐标 系中x轴夹角]； 将标注完成的数据集分割为训练集、 验证集和测试集； 其中训练集、 验证集、 测试集比 例为7:1:2。 3.根据权利要求1所述基于深度学习的工业产品图像角度检测与校正方法， 其特征在 于， 在步骤2还 包括以下步骤： 步骤201， 构建角度检测 神经网络模型； 步骤202， 计算损失函数； 损失函数包括 三部分： 其中， IOU表示预测框与标注框的交并比， b表示预测检测框的中心点， bgt表示标注框的 中心点， ρ2表示预测框和标注框两个中心点距离的平方， α和 υ为长宽比， w、 h和wgt、 hgt分别代 表预测框的高宽和真实框的高宽 。 置信度损失：权　利　要　求　书 1/4 页 2 CN 115511827 A 2类别损失： 方向向量损失： 其中 为正样本系数， 特征图中存在正样本处 为1， 其余为0； 和 分 别表示检测框头部横坐 标和其标签值， 和 分别表示检测框方向向量头部纵坐 标和其标签值， 和 分别表示检测框方向向量尾部横坐标值和其标签值， 和 分别表示检测框方向 向量尾部纵坐标值和其标签值； 步骤203， 使用Adam方法对神经网络进行模型训练， 直到模型在验证集上表现良好， 且 无过拟合现象停止训练。 4.根据权利要求3所述基于深度学习的工业产品图像角度检测与校正方法， 其特征在 于， 在步骤201中， 所述角度检测神经网络模 型包括特征提取网络、 边缘检测子网络、 特征融 合网络和注意力模块； 特征提取网络包括特征提取L1、 特征提取L2和特征提取L3； 特征提取L1包括顺次连接 的Focus模块、 CBL模块、 CSP1_1模块、 CBL模块、 CSP1_3模块； 特征提取L2与特征提取L1连接， 包括CBL模块、 CSP 1_3模块； 特征提取L3与特征提取L2连接， 包括CBL模块、 SPP模块、 CSP2_1 模块和CBL模块； CBL模块包括卷积层、 批量归一 化层、 LeakyRelu激活函数层组； Resunit模块包括两个CBL模块， 并将输入特 征与两个CBL模块的输出 特征进行相加；权　利　要　求　书 2/4 页 3 CN 115511827 A 3