[發明專利]一種基于單目無監督深度估計網絡的織物保形性檢測方法

在審

• 申請號: 202211091088.3
• 申請日: 2022-09-07
• 公開（公告）號: CN116309247A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 王蕾;郭栩源;張鵬飛;潘如如;高衛東
• 申請（專利權）人: 江南大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/50;G06N3/0464;G06N3/08
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 張勇

1.一種基于單目無監督深度估計網絡的織物保形性檢測方法，其特征在于，步驟如下：

第一步：搭建暗室，在暗室內搭建光源，使光源位于單目攝像機后方，照射方向由后往前；使用機械力臂抬起織物并夾緊，設置擠壓時間，固定單目攝像頭正對織物側面，用于拍攝力臂松開時織物下墜并恢復的整個過程；

第二步，將單目攝像機連入計算機，對所的圖像進行計算機視覺處理，本發明為獲得準確運動目標信息搭建GhostNet網絡結構，該網絡編碼網絡使用正常卷積運算處理之后，再利用cheap?operation將少通道特征圖轉化為多通道特征圖，將多特征圖concat一起之后形成新的輸出使用；

使用Ghost模塊升級普通卷積的理論加速比為：

其中，k′和v′分別為輸出數據的高度和寬度，h²為卷積核內核大小，m為卷積核數量，c為通道數，x²為每個線性運算的平均內核大小，e為每個原始特征圖經過廉價線性變換后獲得的Ghost特征圖數量；

為了縮短解碼網絡推理時間，本發明使用立方卷積插值，具體操作為：

G(m+w,n+v)＝A·B·C

A＝(S(1+w)?S(w)?S(1-w)?S(2-w))

G()就是插值后對應坐標的值，(m+w,n+v)為目標圖像像素點映射到原圖像素點格式，它由三部分A，B，C相乘而得到；

公式簡寫為：

f()為原圖目標點和對應15個鄰域點的值，S()為卷積公式，其中卷積公式為：

在損失函數設計方面，本發明將使用交叉熵作為目標函數，使用原始目標加權混合而成的soft目標使其在標簽上均勻分布，防止在接下來的深度估計中出現過擬合問題；本發明使用尺度與數據方差成正比關系的動態縮放的交叉熵損失，所使用多尺度損失函數為：

設特征空間

X∈R^q×m×n

其中q為輸入通道數量，m、n分別為輸入數據的高度和寬度；

設標簽空間

Y＝{L...，k}

其中k為類的數量；

設有數據集

其中每一對

(x_i,y_i)∈X×Y

N為數據集數量

設有神經網絡

g(X；ε)

ε為模型參數；

為了使多尺度損失函數包含各個數據點的累計損失，需要在目標函數中增加一個非線性尺度函數也權衡損失比重；

設有非線性函數

其中α、β、γ為調節參數，z為卷積層輸出縮放方差；

所以總目標函數為

第三步，將所得深度圖像進行二值化處理，由于待測織物所處空間位置深度不同，所得深度圖像中織物的灰度信息也與周圍環境不同，使用OpenCV中threshold()函數處理深度圖像得到二值化圖像；

第四步，使用OpenCV中查找圖像輪廓函數findContours()，并通過drawContours()函數將查找到的輪廓繪制到圖像上，之后所得二值化動態圖像開始的0s、10s、20、30s這四個時間點使用函數minAreaRect()測量織物頂點角度變化，以此評估織物保形性。