融合深度学习的零件相似度匹配算法研究

使用传统算法对机械零件和模型图进行特征匹配时很依赖检测到的关键点,零件图受旋转角度和阴影反光的影响较大,并存在大量纹理稀疏的区域。针对传统算法在该情况下仅能提取到少量特征点,从而造成识别率低的问题,提出了一种融合了深度学习的特征匹配方法。首先,采用超像素分割算法将零件图分为纹理丰富区域和纹理稀疏区域;然后,对纹理丰富区域采用SuperPoint和SuperGlue算法提取了局部特征,对纹理稀疏区域采用LoFTR算法进行了全局提取,获得了具有更强鲁棒性的特征,其中,采用几何卷积神经网络(GCNNs)对LoFTR提取的特征进行了编码,使特征更具有旋转和平移的不变性;最后,引入最大后验样本一致性(MAGSAC++)改进算法,对匹配结果进行了鲁棒估计和筛选,剔除了错误匹配,进一步提高了匹配的准确性。研究结果表明:与基于传统算法的尺度不变特征变换(SIFT)、加速稳健特征(SURF)和基于深度学习的D2Net匹配方法相比较,该算法的F值分别提升了14.9%、23.1%和8.3%,在匹配特征点数量和准确度方面效果更优,有效提升了在复杂场景下的匹配性能。