[發明專利]一種基于全卷積神經網絡的自動壓痕測量方法

有效

• 申請號: 202110252383.1
• 申請日: 2021-03-08
• 公開（公告）號: CN112991287B
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 李澤賢;舒鎮洋;李云燕;唐璇;劉嘉誠;盧佳佳
• 申請（專利權）人: 湘潭大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/136;G06T7/62;G06V10/28;G06V10/46;G06V10/764;G06V10/82;G06N3/04;G06N3/08;G06T3/40;G06T5/00;G06T5/40;G06T5/50
• 代理公司: 湖南天地人律師事務所 43221
• 代理人: 楊萍

1.一種基于全卷積神經網絡的自動壓痕測量方法，其特征在于，包括以下步驟：

步驟一：對壓痕圖像進行預處理，得到其二值圖像；

步驟二：在二值圖像中尋找最大連通域，確定最大連通域的外接框；對該外接框進行拓展，裁剪下二值圖像上拓展后的外接框區域；

步驟三：將裁剪后的圖像輸入訓練好的全卷積神經網絡，輸出二值化的壓痕像素遮罩圖片，由此得到輸入圖片上精確的壓痕形狀與位置信息；

對于需要進行壓痕對角線測量場合，首先尋找壓痕像素遮罩圖片中壓痕像素區域的目標外接框，然后將該目標外接框的寬與高作為壓痕的兩對角線長度；其中尋找目標外接框的方法如下：

1)確定壓痕像素遮罩圖片中，壓痕像素區域的外接框；

2)順時針方向旋轉壓痕像素遮罩圖片，求解旋轉后壓痕像素遮罩圖片中壓痕像素區域的外接框，記錄當前旋轉角度、當前外接框的面積、壓痕像素區域各角點與各自所在的外接框邊緣的中心點的距離；

3)重復步驟2)，直至壓痕像素遮罩圖片旋轉一周；在此過程中，若存在一外接框，滿足壓痕像素區域各角點都位于各自所在的外接框邊緣的中心點，則以該外接框作為目標外接框輸出；若不存在，則以此過程中面積最大的外接框作為目標外接框輸出。

2.根據權利要求1所述的基于全卷積神經網絡的自動壓痕測量方法，其特征在于，所述步驟一中的預處理包括全圖直方圖均衡、濾波和二值化處理。

3.根據權利要求1所述的基于全卷積神經網絡的自動壓痕測量方法，其特征在于，所述步驟二中對外接框進行拓展采用如下方法：

設外接框的長與寬為(w,h)，壓痕圖像的長與寬為(w_i,h_i)，通過如下公式計算得到拓展后的外接框的長與寬(w_e,h_e)：

其中，p為比例系數，p≥1。

4.根據權利要求1所述的基于全卷積神經網絡的自動壓痕測量方法，其特征在于，所述步驟三中全卷積神經網絡的訓練過程如下：采集多種壓痕圖片，人工將壓痕圖片上的像素點分類為壓痕像素點和非壓痕像素點；以采集到的壓痕圖片為輸入，以圖片上各個像素點的分類標簽為輸出，對全卷積神經網絡進行訓練，得到優化后的全卷積神經網絡。

5.根據權利要求1所述的基于全卷積神經網絡的自動壓痕測量方法，其特征在于，所述步驟三中全卷積神經網絡包括依次連接的一個卷積塊、N個卷積池化塊、N個卷積上采樣塊和一個卷積塊；第一個卷積塊的輸入為輸入圖像；N個卷積池化塊的輸入分別為其前一個模塊輸出的特征圖；第i個卷積上采樣塊的輸入為由其前一個模塊輸出的特征圖x₂與輸入第N-i+1個卷積池化塊的特征圖x₁拼接而成的特征圖x；最后一個卷積塊的輸入為第N個卷積上采樣塊的輸出的特征圖；其中卷積塊包括依次連接的第一卷積層、第一歸一化層、第一激活層、第二卷積層、第二歸一化層和第二激活層；所述卷積池化塊是在卷積塊的前部添加一個最大池化層得來；卷積上采樣塊是在卷積塊的前部添加一個雙線性插值層得來。

6.根據權利要求5所述的基于全卷積神經網絡的自動壓痕測量方法，其特征在于，特征圖x₂與特征圖x₁拼接得到特征圖x的運算流程如下：

1)對x₁進行雙線性插值操作，放大x₁；

2)計算放大后的x₁與x₂的高度差diff_y和寬度差diff_x：

3)對放大后的x₁的左、右、上、下用空值0進行填充，左、右、上、下填充的寬度分別為和其中round( )為四舍五入取整函數；

4)將填充后的x₁堆疊至x₂特征維度通道上，得到拼接后的特征圖x。

7.根據權利要求1所述的基于全卷積神經網絡的自動壓痕測量方法，其特征在于，建立畫布坐標系；確定圖像上某一區域的外接框的方法為：構造兩對與該區域x軸和y軸方向四個端點相切的切線，由這四條切線構成外接框；所述四個端點即最大橫坐標點P_xmax、最小橫坐標點P_xmin、最大縱坐標點P_ymax、最小縱坐標點P_ymin，與P_xmax和P_xmin相切的兩條切線與畫布坐標系的y軸平行，與P_ymax和P_ymin相切的兩條切線與畫布坐標系的x軸平行。