一种用于孔轴高精度装配位姿测量的超分辨率图像构建方法技术

本发明专利技术公开了一种用于孔轴高精度装配位姿测量的超分辨率图像构建方法，所述用于孔轴高精度装配位姿测量的超分辨率图像构建方法包括步骤如下：S1：首先生成用于训练神经网络的孔轴装配超分辨率图像训练数据集；S2：构造用于孔轴高精度装配位姿测量的超分辨率神经网络结构，本发明专利技术一种用于孔轴高精度装配位姿测量的超分辨率图像构建方法，设计了针对孔轴结构图像的超分辨率数据采集方法，解决了降采样数据集带来的训练效果不佳的问题；提出了以EEDBB作为核心结构的EESR，新的超分辨率网络结构在提升位姿测量精度上具有优势。结构在提升位姿测量精度上具有优势。结构在提升位姿测量精度上具有优势。

【技术实现步骤摘要】
一种用于孔轴高精度装配位姿测量的超分辨率图像构建方法


[0001]本专利技术涉及超分辨率图像构建方法，特别涉及一种用于孔轴高精度装配位姿测量的超分辨率图像构建方法，属于机器视觉测量


技术介绍

[0002]图像的分辨率对于视觉测量精度至关重要，但是一方面，提升采集设备的分辨率带来的成本过于高昂，另一方面，拍摄远距离物体时，图像的分辨率不可避免的下降，这在大型孔轴结构装配位姿测量中尤为常见。对于视觉测量来说，图像的质量对于视觉测量精度至关重要，图像的分辨率越大，所呈现出的纹理细节就越丰富清晰，图像分辨率在很大程度上决定了视觉测量精度。为了提升图像分辨率，最直接的途径是改进用于采集或者成像的硬件设备。然而，一方面，高昂的成本限制了此类方法的广泛普及，另一方面，在实际中，即使使用优质的高分辨率采集设备，对于拍摄远距离目标时，同样会面临低分辨率问题。在大型孔轴结构的位姿测量过程中，由于待测对象，装配设备等的尺寸较大，视觉测量往往在大工作距离下(接近或大于1m)进行，同时成功装配要求的测量精度较高(优于0.03mm)。
[0003]近年来，虽然深度学习超分辨率技术得到了广泛发展，尤其在智能监控，医疗成像和遥感领域，但是目前在位姿测量领域还鲜有应用，究其原因，一是缺少相应的训练数据集，现有的数据集图片与待测物体图片差异过大，导致实际使用过程中效果不佳，二是现有的网络架构要么参数过多，难以满足工业效率要求，要么效果不佳，无法满足苛刻的测量精度要求。

技术实现思路

[0004]本专利技术的目的在于提供一种用于孔轴高精度装配位姿测量的超分辨率图像构建方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种用于孔轴高精度装配位姿测量的超分辨率图像构建方法，包括，其特征在于，所述用于孔轴高精度装配位姿测量的超分辨率图像构建方法步骤如下：
[0006]S1：首先生成用于训练神经网络的孔轴装配超分辨率图像训练数据集；
[0007]S2：构造用于孔轴高精度装配位姿测量的超分辨率神经网络结构。
[0008]作为本专利技术的一种优选技术方案，所述步骤S1包括以下步骤：
[0009]A1：数据采集，首先使用相同的短焦距捕获所有需要的低分辨率孔轴特征图像，然后更换长焦镜头，捕获相应的高分辨率孔轴特征图像；
[0010]A2：图像对齐，在监视器上显示棋盘格图像，并分别在低分辨率和高分辨率的各自采集过程之前，使用短焦距和长焦距相机捕捉监视器上显示的棋盘格图像，识别棋盘格图像的角点特征用于计算高分辨率和低分辨率图像之间的对齐关系。
[0011]作为本专利技术的一种优选技术方案，所述步骤A1中，在每次拍摄过程开始时在显示器上显示一个黑色的图像，然后从每张拍摄的图像中减去；拍摄对象是超高质量的显示器，
使用的工具是数字相机，所有操作是在一个黑暗的房间里遥控操作的，以防止任何环境光的干扰以及监视器和相机的任何干扰动作。
[0012]作为本专利技术的一种优选技术方案，所述步骤S2的神经网络结构层次为：1个卷积层、24个残差块、8个EEDBB层、1个卷积层层、1个上采样层和1个卷积层。
[0013]作为本专利技术的一种优选技术方案，所述EEDBB层输出按照以下公式进行：
[0014]R
c
＝R
n
+R
in
+R
s
+R
l
[0015]式中Rn是输入图像经过一般卷积(Normal Convolution)后输出的图像，用于保证神经网络结构的基础性能；Rin是输入图像经过捷径连接(Shortcut)输出的图像，用于实现残差；Rs是包括横向和纵向Sobel滤波器的算子，残差；Rs是包括横向和纵向Sobel滤波器的算子，其中Sx和Sy是横向和纵向的Sobel滤波器，Wsx和Wsy是与Sobel滤波器进行卷积的系数，是卷积运算符；Rl是包含Laplacian滤波器的算子，其中Lx是Laplacian滤波器，Wlx是与Laplacian滤波器进行卷积的系数，是卷积运算符。
[0016]与现有技术相比，本专利技术的有益效果是：本专利技术提出了一种用于孔轴高精度装配位姿测量的超分辨率图像构建方法，包括新的深度学习超分辨率网络结构和配套的孔轴图像超分辨率数据集采集方法，该深度学习超分辨率网络通过核心结构的设计，加强了对图像中边缘信息的感知；
[0017](1)设计了针对孔轴结构图像的超分辨率数据采集方法，解决了降采样数据集带来的训练效果不佳的问题；
[0018](2)提出了以EEDBB作为核心结构的EESR，新的超分辨率网络结构在提升位姿测量精度上具有优势。
附图说明
[0019]图1为本专利技术神经网络结构；
[0020]图2为本专利技术中低分辨率
‑
高分辨率图像对齐流程；
[0021]图3为本专利技术中EEDBB网络结构。
具体实施方式
[0022]对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0023]请参阅图1
‑
3，本专利技术提供了一种用于孔轴高精度装配位姿测量的超分辨率图像构建方法，所述用于孔轴高精度装配位姿测量的超分辨率图像构建方法包括步骤如下：
[0024]S1：首先生成用于训练神经网络的孔轴装配超分辨率图像训练数据集；
[0025]S2：构造用于孔轴高精度装配位姿测量的超分辨率神经网络结构。
[0026]其中，所述步骤S1包括以下步骤：
[0027]A1：数据采集，首先使用相同的短焦距捕获所有需要的低分辨率孔轴特征图像，然后更换长焦镜头，捕获相应的高分辨率孔轴特征图像；
[0028]A2：图像对齐，在监视器上显示棋盘格图像，并分别在低分辨率和高分辨率的各自
采集过程之前，使用短焦距和长焦距相机捕捉监视器上显示的棋盘格图像，识别棋盘格图像的角点特征用于计算高分辨率和低分辨率图像之间的对齐关系。
[0029]进一步地，所述步骤A1中，在每次拍摄过程开始时在显示器上显示一个黑色的图像，然后从每张拍摄的图像中减去；拍摄对象是超高质量的显示器，使用的工具是数字相机，所有操作是在一个黑暗的房间里遥控操作的，以防止任何环境光的干扰以及监视器和相机的任何干扰动作。
[0030]更进一步地，所述步骤S2的神经网络结构层次为：1个卷积层、24个残差块、8个EEDBB层、1个卷积层层、1个上采样层和1个卷积层。
[0031]优选地，所述EEDBB层输出按照以下公式进行：
[0032]R
c
＝R
n
+R
in
+R
s
+R
l
[0033]式中Rn是输入图像经过一般本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于孔轴高精度装配位姿测量的超分辨率图像构建方法，其特征在于，所述用于孔轴高精度装配位姿测量的超分辨率图像构建方法包括步骤如下：S1：首先生成用于训练神经网络的孔轴装配超分辨率图像训练数据集；S2：构造用于孔轴高精度装配位姿测量的超分辨率神经网络结构。2.根据权利要求1所述的一种用于孔轴高精度装配位姿测量的超分辨率图像构建方法，其特征在于：所述步骤S1包括以下步骤：A1：数据采集，首先使用相同的短焦距捕获所有需要的低分辨率孔轴特征图像，然后更换长焦镜头，捕获相应的高分辨率孔轴特征图像；A2：图像对齐，在监视器上显示棋盘格图像，并分别在低分辨率和高分辨率的各自采集过程之前，使用短焦距和长焦距相机捕捉监视器上显示的棋盘格图像，识别棋盘格图像的角点特征用于计算高分辨率和低分辨率图像之间的对齐关系。3.根据权利要求2所述的一种用于孔轴高精度装配位姿测量的超分辨率图像构建方法，其特征在于：所述步骤A1中，在每次拍摄过程开始时在显示器上显示一个黑色的图像，然后从每张拍摄的图像中减去；拍摄对象是超高质量的显示器，使用的工具是数字相机，所有操作是在一个黑暗的房间里遥控操作的，以防止任何环境光的干扰以及监视器和相机的...

【专利技术属性】
技术研发人员：李根，李泷杲，黄翔，周蒯，楼佩煌，宋允辉，钱晓明，
申请(专利权)人：南京航空航天大学苏州研究院，
类型：发明
国别省市：