[發明專利]一種基于機器視覺的冷軋帶卷軸孔中心位置的檢測方法

有效

• 申請號: 202011479806.5
• 申請日: 2020-12-15
• 公開（公告）號: CN112634344B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 徐開亮
• 申請（專利權）人: 西安理工大學
• 主分類號: G06T7/60
• 分類號: G06T7/60;G06N3/04;G06N3/08;G06T7/13;G06T7/181
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 楊洲

1.一種基于機器視覺的冷軋帶卷軸孔中心位置的檢測方法，其特征在于，包括以下步驟：

步驟一，以前一幀圖像中帶卷中心坐標為中心，在一定范圍內，隨機截取一定窗口大小的多張子圖；

步驟二，將子圖送入卷積神經網絡，計算出每張子圖中帶卷中心坐標，對計算結果求平均，得到帶卷中心坐標；

步驟三，基于模板匹配方法，計算出當前幀圖像相對前一幀圖像的偏移量；

步驟四，基于卡爾曼濾波方法，將步驟一、步驟二、步驟三所獲得的帶卷中心坐標和偏移量相綜合，得到當前幀圖像中帶卷中心坐標的最優估計；

步驟五，重復以上步驟，實現對帶卷中心坐標的實時跟蹤；

所述的卷積神經網絡，具體做法是：

卷積神經網絡用于從輸入帶卷圖像中獲取中心位置坐標，其輸入為尺寸為512×512的包含帶卷圖像的灰度圖像，灰度圖像依次經過4個卷積層，每個卷積層均采用5×5卷積核和2×2最大池化，第一個卷積層輸出通道數為8，第二層輸出通道數為16，第三層為32，第四層為64；之后使用兩個全連接隱層，其節點數分別為16348和4096；輸出層節點數為2，代表帶卷中心點坐標的X、Y坐標；除輸出層外，每層均使用ReLu作為激活函數，輸出層不使用激活函數；

使用人工標記圖片訓練神經網絡，圖片標簽為圖片中帶卷中心點坐標，神經網絡使用誤差平方和函數作為損失函數，為了避免過擬合，訓練時采用L2正則，且對網絡進行Dropout，完成訓練后，通過神經網絡從攝像頭所拍攝灰度圖像中計算帶卷中心坐標，具體計算方法如下：

2-1)假設前一幀攝像頭灰度圖像中帶卷中心坐標為(cx₀，cy₀)，以該坐標為中心，隨機產生N個坐標

(cx_i，cy_i)＝(cx₀+Δx_i，cy₀+Δy_i)，i∈[0，N) (1)

式中(cx_i，cy_i)是隨機生成的坐標，(Δx_i，Δy_i)是一定范圍內的等概率隨機整數，其分布滿足-R≤Δx_i≤R，-R≤Δy_i≤R；N表示隨機生成的坐標數量，R表示隨機分布范圍，N和R由經驗或試驗決定，一般令N＝16，R＝50；

2-2)以步驟2-1)中隨機生成的N個坐標(cx_i，cy_i)為中心點，從當前幀灰度圖像中截取N個512×512子圖，由卷積神經網絡計算在每張子圖中，帶卷的中心位置坐標

2-3)計算帶卷中心坐標平均值：

式中(cx，cy)為帶卷的中心坐標平均值，N為步驟2-2)中截取的子圖數量，(cx_i，cy_i)為每張子圖中心點在當前幀灰度圖像中的坐標，為每張子圖中由神經網絡計算獲得的帶卷的中心坐標；

所述的模板匹配方法，具體做法是：

3-1)假設前一幀灰度圖像中帶卷中心坐標為(cx₀，cy₀)，以(cx₀+ox，cy₀+oy)為中心，在前一幀灰度圖像中截取256×256圖像作為模板，(ox，oy)為固定偏移量，能夠使模板包含一部分帶卷中軸邊緣圖像，以便于模板匹配；

3-2)找出當前幀中與模板匹配度最高的256×256圖像區域，假設該圖像區域的中心坐標為(cx₁，cy₁)，則帶卷在兩幀灰度圖像中的位移量為(Δx，Δy)＝(cx₁-cx₀-ox，cy₁-cy₀-oy)；

所述的卡爾曼濾波方法，通過模板匹配計算獲得帶卷在兩幀灰度圖像間的位移量后，通過卡爾曼濾波將其與通過卷積神經網絡獲得的帶卷中心相結合，提高計算精度，具體計算方法是：

4-1)假設前一幀灰度圖像中檢測獲得的帶卷中心位置為(cx₀，cy₀)，且檢測標準差為δ₀；

4-2)假設基于模板匹配檢測帶卷偏移量的檢測標準差為δ′₁，當帶卷未發生位移時，模板匹配檢測偏移量的可信度最高，因此當(Δx，Δy)＝(0，0)時，模板匹配檢測標準差為當(Δx，Δy)！＝(0，0)時，和均由試驗測試或經驗估計獲得，且

4-3)由前一幀灰度圖像的帶卷中心位置和兩幀灰度圖像間帶卷偏移量，計算出當前幀中帶卷中心坐標的估計值及計算標準差：

式中(cx₁，cy₁)為通過模板匹配獲得的本幀灰度圖像中帶卷中心坐標，(cx₀，cy₀)為前一幀灰度圖像中帶卷中心坐標，(Δx，Δy)為兩幀灰度圖像之間帶卷偏移量，δ₀，δ′₁和δ₁分別為前一幀灰度圖像中帶卷中心坐標的檢測標準差，前一幀與本幀灰度圖像中帶卷偏移量的檢測標準差，以及本幀灰度圖像中通過模板匹配得到的帶卷中心坐標的檢測標準差；

4-4)假設通過卷積神經網絡，由當前幀灰度圖像計算獲得的帶卷中心位置為(cx₂，cy₂)，檢測標準差為δ₂，該標準差通過試驗測試或經驗估計獲得，根據卡爾曼濾波原理，本幀灰度圖像中帶卷中心坐標的最優估計和計算標準差為：

式中，(cx^*，cy^*)為本幀灰度圖像中帶卷中心坐標的最優估計，(cx₁，cy₁)為通過模板匹配計算獲得的帶卷中心坐標，(cx₂，cy₂)為通過卷積神經網絡獲得的帶卷中心坐標，δ₁為模板匹配計算的標準差，δ₂為卷積神經網絡計算的標準差，δ為本幀灰度圖像中帶卷中心坐標計算的標準差；

4-5)重復執行這一過程，即可實現對帶卷中心坐標的連續跟蹤。