[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的寬厚板輪廓檢測方法

在審

• 申請?zhí)枺?/td>: 202011017558.2
• 申請日: 2020-09-24
• 公開（公告）號: CN112184655A
• 公開（公告）日: 2021-01-05
• 發(fā)明（設(shè)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(quán)）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(chǎn)權(quán)代理有限公司 21109
• 代理人: 李在川

本發(fā)明提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的寬厚板輪廓檢測方法，首先制作樣本數(shù)據(jù)集，并構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，然后利用樣本數(shù)據(jù)集對網(wǎng)絡(luò)模型進行訓(xùn)練，利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)將圖像的高層語義信息與底層特征信息相結(jié)合，對寬厚板和背景進行有效分割；通過對分割后的圖像進行邊緣亞像素提取，最終獲得寬厚板精確輪廓，本發(fā)明提供的方法學習能力強，可以有效抑制背景的干擾，對于不同對比度的原始圖像，無需更改模型參數(shù)就可以有效地提取寬厚板輪廓，具有較強的魯棒性。

技術(shù)領(lǐng)域

本發(fā)明涉及寬厚板軋制自動控制技術(shù)領(lǐng)域，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的寬厚板輪廓檢測方法。

背景技術(shù)

寬厚板廣泛應(yīng)用于船艦、橋梁、鍋爐、容器、石油化工、工程機械及國防建設(shè)等方面，寬厚板平面輪廓是從整體角度對其質(zhì)量進行評估的重要指標，也可以為剪切系統(tǒng)提供精確位置信息以優(yōu)化剪切操作，減少人工干預(yù)，提高剪切線生產(chǎn)效率；降低剪切余量，提高產(chǎn)品成材率；避免因人工操作較多而導(dǎo)致的產(chǎn)品規(guī)格穩(wěn)定性較差的問題，進而提高剪切線的經(jīng)濟效益。因此，開發(fā)一種能夠?qū)崟r采集和處理寬厚板輪廓信息的檢測儀器是十分必要的。

現(xiàn)有技術(shù)中，傳統(tǒng)視覺檢測方法在應(yīng)對寬厚板實際生產(chǎn)問題時有一定的不足：1)實際生產(chǎn)現(xiàn)場的環(huán)境復(fù)雜，寬厚板溫度、光源強度等一些條件都不是固定不變的，這就使得已經(jīng)確定好的圖像處理算法在新的環(huán)境下魯棒性不好；2)檢測算子涉及到很多閾值參數(shù)的確定，在此復(fù)雜的生產(chǎn)環(huán)境下，同一閾值的算法很難保證最終寬厚板輪廓檢測的準確性；3)寬厚板表面會存在著許多缺陷區(qū)域，且該區(qū)域形狀不規(guī)則、位置不確定，這些缺陷區(qū)域在邊緣檢測過程中會產(chǎn)生干擾邊緣從而加大了寬厚板輪廓特征提取的難度。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的寬厚板輪廓檢測方法，為了獲取高精度寬厚板輪廓，本發(fā)明采用卷積神經(jīng)網(wǎng)絡(luò)方法進行寬厚板輪廓檢測，通過采集寬厚板圖像制作數(shù)據(jù)集，并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，通過訓(xùn)練好的模型對圖像進行二值分割，進一步運用邊緣亞像素檢測技術(shù)獲取寬厚板精確輪廓信息，以達到有效抑制背景干擾，提高寬厚板輪廓檢測精度，為剪切系統(tǒng)提供數(shù)據(jù)參考的目的。

為實現(xiàn)上述技術(shù)效果，本發(fā)明提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的寬厚板輪廓檢測方法，包括以下步驟：

步驟1：采集寬厚板的原始圖像，并制作樣本數(shù)據(jù)集，包括如下步驟：

步驟1.1：通過工業(yè)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(qū)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(yù)設(shè)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(yù)設(shè)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(tǒng)一調(diào)整為256×256像素，得到調(diào)整后的寬厚板圖像和標注圖像；

步驟1.6：將調(diào)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(shù)據(jù)集，其中n表示寬厚板原始圖像的個數(shù)；

步驟2：基于python語言的pytorch庫構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟3：將樣本數(shù)據(jù)集分為訓(xùn)練集和驗證集；

步驟4：將訓(xùn)練集輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中進行H次迭代訓(xùn)練，得到最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟5：利用最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)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。

所述步驟2包括：