[發明專利]一種基于卷積神經網絡的寬厚板輪廓檢測方法

在審

• 申請號: 202011017558.2
• 申請日: 2020-09-24
• 公開（公告）號: CN112184655A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 蘇亞華;李旭;張殿華;董梓碩;曹劍釗;丁敬國;孫超;周平;王培文;李濤;李慶華
• 申請（專利權）人: 東北大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/62;G06T7/12;G06T7/136;G06T7/194;G06K9/62
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李在川

1.一種基于卷積神經網絡的寬厚板輪廓檢測方法，其特征在于，包括如下步驟：

步驟1：采集寬厚板的原始圖像，并制作樣本數據集，包括如下步驟：

步驟1.1：通過工業相機在不同光照條件下拍攝不同形狀的寬厚板，獲取不同寬厚板的原始圖像；

步驟1.2：對原始圖像的背景區域進行裁剪，得到包含前景的裁剪后圖像；

步驟1.3：將裁剪后的圖像按照預設編號方式進行編號，得到編號后的寬厚板圖像；

步驟1.4：采用圖像標注工具將編號后的寬厚板圖像進行標注，并按照步驟1.3中的預設編號形式進行編號，得到編號后的標注圖像；

步驟1.5：將編號后的寬厚板圖像和標注圖像統一調整為256×256像素，得到調整后的寬厚板圖像和標注圖像；

步驟1.6：將調整后的寬厚板圖像和標注圖像進行M次的圖像增強處理，分別得到Mn個寬厚板圖像和Mn個標注圖像，將Mn個寬厚板圖像和Mn個標注圖像作為樣本數據集，其中n表示寬厚板原始圖像的個數；

步驟2：基于python語言的pytorch庫構建卷積神經網絡模型；

步驟3：將樣本數據集分為訓練集和驗證集；

步驟4：將訓練集輸入到卷積神經網絡模型中進行H次迭代訓練，得到最優卷積神經網絡模型；

步驟5：利用最優卷積神經網絡模型提取待檢測寬厚板的形狀，得到寬厚板的前景圖；

步驟6：對寬厚板的前景圖進行亞像素邊緣檢測處理，得到待檢測寬厚板的輪廓。

2.根據權利要求1所述的一種基于卷積神經網絡的寬厚板輪廓檢測方法，其特征在于，所述步驟2包括：

步驟2.1：選擇ReLU激活函數訓練網絡；

步驟2.2：在每層網絡的卷積層與ReLU激活函數層之間加入BN層，構建由卷積層-BN層-ReLU激活層組成的基本網絡；

步驟2.3：通過兩個基本網絡搭建第1、2層網絡；

步驟2.4：對第2層網絡的輸出進行最大池化操作后，增加兩個基本網絡搭建第3、4層網絡；

步驟2.5：對第4層網絡的輸出進行最大池化操作后，增加兩個基本網絡搭建第5、6層網絡；

步驟2.6：對第6層網絡的輸出進行最大池化操作后，增加兩個基本網絡搭建第7、8層網絡；

步驟2.7：對第8層網絡的輸出進行最大池化操作后，增加兩個基本網絡搭建第9、10層網絡；

步驟2.8：對第10層網絡的輸出進行雙線性插值上采樣操作，并與第8層的輸出進行特征融合，然后增加兩個基本網絡搭建第11、12層網絡；

步驟2.9：對第12層網絡的輸出進行雙線性插值上采樣操作，并與第6層的輸出進行特征融合，然后增加兩個基本網絡搭建第13、14層網絡；

步驟2.10：對第14層網絡的輸出進行雙線性插值上采樣操作，并與第4層的輸出進行特征融合，然后增加兩個基本網絡搭建第15、16層網絡；

步驟2.11：對第16層網絡的輸出進行雙線性插值上采樣操作，并與第2層的輸出進行特征融合，然后增加兩個基本網絡搭建第17、18層網絡；

步驟2.12：對第18層網絡的輸出進行1×1卷積操作，得到卷積神經網絡模型。

3.根據權利要求1所述的一種基于卷積神經網絡的寬厚板輪廓檢測方法，其特征在于，所述步驟4包括：

步驟4.1：將訓練集作為卷積神經網絡的輸入，并設置超參數，所述超參數包括最大迭代次數H、批大小、學習率、學習率衰減系數、學習策略；

步驟4.2：使用BCEWithLogitsLoss函數作為損失函數監督網絡學習；

步驟4.3：使用自適應學習率的RMSprop方法更新參數；

步驟4.4：每次訓練結束后，利用驗證集計算交叉比，

式中，IoU_i表示第i次迭代后的交叉比值，TP_i表示第i次迭代后輸出的分類正確的正樣本，TN_i表示第i次迭代后輸出的分類錯誤的正樣本，FN_i表示第i次迭代后輸出的分類錯誤的負樣本；

步驟4.5：當訓練到最大迭代次數H后，訓練結束，計算相鄰兩個交叉比之差的絕對值Δ＝|IoU_i-IoU_i+1|，如果Δ≤Δ'，則表示第i次訓練的卷積神經網絡模型符合參數要求，從符合參數要求的所有卷積神經網絡模型中任選一個作為最優卷積神經網絡模型，Δ'表示預設閾值。