CN113971676B 一种基于深度学习的连接件剖面图像自动分割方法 （长三角先进材料研究院）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN113971676B(45)授权公告日2025.07.08

(21)申请号202111224198.8

(22)申请日2021.10.20

(65)同一申请的已公布的文献号申请公布号CN113971676A

(43)申请公布日2022.01.25

(51)Int.CI.

G06T7/11(2017.01)

GO6T7/73(2017.01)

GO6V10/82(2022.01)

GO6V10/26(2022.01)

GO6V10/774(2022.01)

(73)专利权人长三角先进材料研究院

地址215132江苏省苏州市相城区青龙港

路286号1号楼

专利权人集萃新材料研发有限公司

(72)发明人仝超黄理赵海龙陈秋任李钼石刘钊方宇东谈俊

胡晓雅黄诗尧包祖国韩维建

(56)对比文件

MushiLi等.Automaticidentification

frameworkofthegeometricparameterson

self-piercingrivetingcross-section

usingdeeplearning./

10.1016/j.jmapro.2022.09.020.2022,全文.

审查员王曼莉

(74)专利代理机构南京智造力知识产权代理有

限公司32382专利代理师汪芬

权利要求书2页说明书4页附图3页

(54)发明名称

一种基于深度学习的连接件剖面图像自动分割方法

(57)摘要

CN113971676B本发明公开了一种基于深度学习的连接件剖面图像自动分割方法，针对轻量化连接工艺，收集连接件的剖面图像作为样本图像，对每一张样本图像通过标注工具进行标注，标注出图像中不同板材、紧固件及其它关注区域位置，生成标注后样本图像对应的掩码图像及文本文件，并将其与原图一起作为训练样本；将训练样本进行图像增强处理，并生成对应的掩码图像及文本文件；选择或搭建基于图像实例分割的深度学习模型；针对选择或搭建的深度学习网络模型进行训练环境的搭建；设置深度学习网络模型的训练参数；将训练样本加入深度学习网络模型进行训

CN113971676B

收集图像

收集图像

样本标注

图像增强

选择或搭建深度学习网络

搭建深度学习训练环境

设置网络参数

开始训练

模型效果验证

CN113971676B权利要求书1/2页

2

1.一种基于深度学习的连接件剖面图像自动分割方法，其特征在于，所述方法包括以下步骤：

步骤1,训练集制作：针对轻量化连接工艺，收集连接件的剖面图像作为样本图像，对每一张样本图像通过标注工具进行标注，标注出图像中不同板材、紧固件及其它关注区域位置，生成标注后样本图像对应的掩码图像及文本文件，并将其与原图一起作为训练样本；对样本图像进行标注的标注工具选择Labelme、CVAT、VIA、PixlAnnotationTool、EISeg中的一种或者多种组合；所获得的文本文件为JSON或者XML的格式，用于记录具体的板材、紧固件信息及其连接后形成的区域手动分割结果；

步骤2,将训练样本进行图像增强处理，并生成对应的掩码图像及文本文件；

步骤3,选择或搭建基于图像实例分割的深度学习模型；深度学习框架选择Tensorflow、Keras、Pytorch、Caffe、Theano、PaddlePaddle、MXNet、CNTK、Chainer、

Deeplearning4j中的一种；图像实例分割的深度网络模型为FCN、U-Net、SegNet、Mask-RCNN、PolarMask、TensorMask、MaskScoringRCNN、YOLACT系列、SOLO系列、DeepLab系列中的一种及基于它们的衍生模型；所述步骤3中选择的深度学习网络模型的改进包括如下：

(1)针对不同连接工艺，需调整神经网络的卷积层、池化层、全连接层，达到预期的分割效果；

(2)深度学习网络模型预测分支，需添加掩码平滑处理层，减少噪声对工程测量的影

响；

(3)输出的