原文摘要

本發明公開了一種基於迴歸模型的工業圖像關鍵點檢測方法、系統及平台，本發明通過方法獲取與工業圖像關鍵點相對應的圖像數據，並結合特徵提取網絡，實時生成與工業圖像關鍵點相對應的特徵圖；通過卷積處理實時壓縮所述特徵圖的特徵信息，其中，所述卷積為1×1卷積；構建迴歸模型，並結合迴歸模型，實時生成與工業圖像關鍵點相對應的檢測數據，以及與所述方法相應的系統、平台以及存儲介質；可以保留特徵的全局空間信息，提高關鍵點預測的空間泛化性和穩定性。而且會可以實現關鍵點回歸模型添加每個點的可見性功能。

AI摘要

問題： 傳統方法空間信息丟失、過檢率高、訓練狀態不直觀。
方案核心：
結構創新： 提出FCNeck結構（1×1卷積+展平）替代全局池化，保留空間信息。
功能創新： 在迴歸模型中增加關鍵點“可見性”預測功能，通過額外標誌位判斷關鍵點是否存在，降低過檢率。
訓練創新： 使用複合損失函數（均方誤差+交叉熵+殘差似然估計），提升精度並使訓練過程更穩定、直觀。
效果： 提升了工業圖像關鍵點檢測的準確性、穩定性和實用性。

我的理解

本發明提供了一種基於迴歸模型的工業圖像關鍵點檢測方法，所述的方法包括如下步驟：
一、獲取與工業圖像關鍵點相對應的圖像數據，並結合特徵提取網絡，實時生成與工業圖像關鍵點相對應的特徵圖；
二、通過卷積處理實時壓縮所述特徵圖的特徵信息，其中，所述卷積為1×1卷積；
a、卷積壓縮所述特徵圖的特徵信息，生成與特徵圖相對應的具有通道數的特徵圖；
b、歸一化處理所述具有通道數的特徵圖，並激活Relu激活函數，以及展平處理所述特徵圖的特徵。
所述通過卷積處理實時壓縮所述特徵圖的特徵信息，其中，所述卷積為1×1卷積，還包括：
c、判定是否存在不可見的關鍵點，若存在，則結合關鍵點閾值，去除不可見的關鍵點；否則，執行下一步驟；
d、根據判定結果數據，實時生成與特徵圖相對應的關鍵點信息。
三、構建迴歸模型，並結合迴歸模型，實時生成與工業圖像關鍵點相對應的檢測數據。
a、實時獲取與特徵圖相對應的關鍵點信息；並對所述關鍵點信息於全連接層的輸出層數量加二處理；
b、生成帶有至少兩個標誌位數據的關鍵點，其中，一個標誌位表示關鍵點存在，第二個表示不存在；
c、對標誌位的值進行softmax歸一化處理，並生成與關鍵點相對應的索引。
所述構建迴歸模型，並結合迴歸模型，實時生成與工業圖像關鍵點相對應的檢測數據，還包括：
d、生成與關鍵點相對應的位置數據，以及關鍵點存在與否的數據信息。
所述構建迴歸模型，並結合迴歸模型，實時生成與工業圖像關鍵點相對應的檢測數據，還包括：
e、結合均方誤差損失函數數據，實時生成模型預測值和真實值之間像素差的平方和數據；
f、根據損失函數值數據，判斷迴歸模型於訓練過程中的收斂狀態。

所需硬件

工控機（工業電腦）、工業相機（攝像頭）、光源。

測試環境

操作系統：win7 開發環境： VS2019 C++17

或者 操作系統：win10 開發環境： VS2022 C++17

如無特殊説明，本算法用**C++**實現。