基于深度学习的工业关键点检测方法、装置及计算机设备与流程

本发明涉及计算机视觉检测，尤其涉及一种基于深度学习的工业关键点检测方法、装置及计算机设备。

背景技术：

1、智能化、自动化生产流程成为制造业发展的核心动力。计算机视觉作为实现智能化生产的关键技术之一，其在图像处理、物体检测、自动识别等方面的应用，极大地推动了工业自动化的进步。尤其是关键点检测技术，它在确保生产质量、提升生产效率等方面发挥着至关重要的作用。随着新技术的不断涌现和验证，如深度学习等，关键点检测技术也在不断地进化和升级，以满足日益增长的工业生产需求。

2、目前，尽管现有的关键点检测技术已经取得了一定的成果，但仍然面临着准确性不够高、对大量高质量标注数据的依赖性强、泛化能力不足等问题。这些问题在复杂的工业生产环境中尤其突出，成为制约工业自动化和智能化发展的关键因素。因此，如何优化关键点检测算法，提高其精准度和实时性，减少对高质量标注数据的依赖，增强算法的泛化能力，成为了研究的热点和重点。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的目的在于提出一种基于深度学习的工业关键点检测方法、装置及计算机设备。

2、为实现上述目的，第一方面，根据本发明实施例的基于深度学习的工业关键点检测方法，包括：

3、图像数据标注步骤：通过标注点的方式对图像的关键点进行点标注；

4、标注点扩张步骤：将各标注点按照设定的像素扩张为以标注点为中心的正方形区域；

5、热力图转换步骤：将各正方形的标注点转换为圆形热力图的标注点；

6、模型训练步骤：将各标记后的图像进行模型训练，以生成关键点检测模型；

7、关键点检测步骤：将被检测图像输入到所述关键点检测模型中进行关键点的检测，并检测到关键点点坐标输出。

8、进一步地，根据本发明的一个实施例，所述检测到关键点点坐标输出包括：

9、获取各输出热力图的信息；

10、根据各输出热力图的信息获取各输出热力图的最大像素值坐标点；

11、将各输出热力图的最大像素值坐标点作为各关键点的坐标输出。

12、进一步地，根据本发明的一个实施例，所述将各正方形的标注点转换为圆形热力图的标注点包括：

13、通过正方形的四角获取正方形的中心点；

14、以正方形中心点为圆心生成圆形热力图。

15、进一步地，根据本发明的一个实施例，所述圆形热力图标记点为图像热力值由中心点向外逐步递减的圆形图标记点。

16、进一步地，根据本发明的一个实施例，在所述将各标注点按照设定的像素扩张为以标注点为中心的正方形区域之前还包括：

17、图像数据转换步骤：将标注后的json格式图像数据转换为txt文本格式图像数据。

18、进一步地，根据本发明的一个实施例，所述将各标注点按照设定的像素扩张为以标注点为中心的正方形区域具体为，将各标注点按照50像素的大小扩张为以标注点为中心的正方形区域。

19、进一步地，根据本发明的一个实施例，所述关键点检测模型由yolov8深度学习模型的分割任务模型训练而生成。

20、第二方面，本发明实施例还提供一种基于深度学习的工业关键点检测的装置，包括：

21、图像数据标注模块：所述图像数据标注模块用于通过标注点的方式对图像的关键点进行点标注；

22、标注点扩张模块：所述标注点扩张模块用于将各标注点按照设定的像素扩张为以标注点为中心的正方形区域；

23、热力图转换模块：所述热力图转换模块用于将各正方形的标注点转换为圆形热力图的标注点；

24、模型训练模块：所述模型训练模块用于将各标记后的图像进行模型训练，以生成关键点检测模型；

25、关键点检测模块：所述关键点检测模块用于将被检测图像输入到所述关键点检测模型中进行关键点的检测，并检测到关键点点坐标输出。

26、第三方面，根据本发明实施例的计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于深度学习的工业关键点检测方法。

27、根据本发明实施例提供的基于深度学习的工业关键点检测方法、装置及计算机设备，该方法通过图像数据标注步骤：通过标注点的方式对图像的关键点进行点标注；标注点扩张步骤：将各标注点按照设定的像素扩张为以标注点为中心的正方形区域；热力图转换步骤：将各正方形的标注点转换为圆形热力图的标注点；模型训练步骤：将各标记后的图像进行模型训练，以生成关键点检测模型；关键点检测步骤：将被检测图像输入到所述关键点检测模型中进行关键点的检测，并检测到关键点点坐标输出，由于采用点标注的方式，使得标注更加的简单，通过标注点像素扩张和热力图转换可大大提高关键点的检测精度。另外，在检测时采用输出热力分布的最大点作为关键点坐标输出，可大大提高检测到效率。

28、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

1.一种基于深度学习的工业关键点检测方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的工业关键点检测方法，其特征在于，所述检测到关键点点坐标输出包括：

3.根据权利要求1或2所述的基于深度学习的工业关键点检测方法，其特征在于，所述将各正方形的标注点转换为圆形热力图的标注点包括：

4.根据权利要求3所述的基于深度学习的工业关键点检测方法，其特征在于，所述圆形热力图标记点为图像热力值由中心点向外逐步递减的圆形图标记点。

5.根据权利要求1或2所述的基于深度学习的工业关键点检测方法，其特征在于，在所述将各标注点按照设定的像素扩张为以标注点为中心的正方形区域之前还包括：

6.根据权利要求1或2所述的基于深度学习的工业关键点检测方法，其特征在于，所述将各标注点按照设定的像素扩张为以标注点为中心的正方形区域具体为，

7.根据权利要求1或2所述的基于深度学习的工业关键点检测方法，其特征在于，所述关键点检测模型由yolov8深度学习模型的分割任务模型训练而生成。

8.一种基于深度学习的工业关键点检测装置，其特征在于，包括：

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的基于深度学习的工业关键点检测方法。