一种标准件深度全卷积特征边缘检测方法技术

本发明专利技术公开了一种标准件深度全卷积特征边缘检测方法，包括：训练全卷积特征神经网络，作为初始边缘检测模型

A Deep Full Convolution Edge Detection Method for Standard Parts

The invention discloses a method for edge detection of standard part depth full convolution feature, which includes training full convolution feature neural network as an initial edge detection model.

【技术实现步骤摘要】
一种标准件深度全卷积特征边缘检测方法
本专利技术涉及深度学习边缘检测方法，尤其涉及一种标准件全卷积特征边缘检测方法。
技术介绍
装配指按规定的技术要求，将零件或部件进行配合连接，使之成为半成品或成品的工艺过程。装配是产品制造工艺的重要工序，装配的好坏，对产品的质量起决定性作用。提取装配标准件的边缘是定量评价装配质量的关键步骤，深度学习在图像模式识别、分类与检测中取得了巨大的成功，若应用深度学习技术到标准件的边缘检测上，将可提升边缘检测方法的认知能力，实现人工智能深度学习到标准件图像上的关键边缘，智能地将无用边缘剔除，只保留图像上标准件的有效边缘。专利技术CN107871133A公开一种边缘检测网络的优化方法、路面病害的识别方法及系统。边缘检测网络用于识别指定路面病害。该优化方法包括：将每张样本路面图片分割成多个第一网格，并根据第一网格是否具有指定路面病害，得到每张样本路面图片对应的第一矩阵；将每张样本路面图片输入边缘检测网络进行指定路面病害识别，并输出每张样本路面图片对应的第二矩阵；根据每张样本路面图片对应的第一矩阵的向量和第二矩阵的向量，计算得到每张样本路面图片的损失函数；优化边缘检测网络的网络参数，直到网络参数优化后的边缘检测网络输出的第二矩阵使计算得到的所有样本路面图片的损失函数的算数平均值最小。该专利技术提出了由2个矩阵组合而成的损失函数，优化了路面病害识别网络的训练过程，而本专利技术则由数据源开始，修改用于训练的结果图，从而优化训练结果。专利技术CN107610140A提出了一种基于深度融合修正网络的精细边缘检测方法、装置，该方法包括：步骤S1，通过卷积神经网络的前向传播部分网络，获取输入图像的多尺度特征；步骤S2，通过卷积神经网络的反向修正部分网络，采取逐渐增大特征分辨率的方法获取和输入图像具有相同分辨率的最终图像特征；步骤S3，将最终图像特征的特征通道降维为单通道，通过拟合函数生成边缘检测结果。旨在解决图像中边缘定位不够准确、检测的边缘不够精细的问题，其核心思想为将结果图像超分辨率重建重而实现传统意义上亚像素级的边缘检测；而本专利技术则是旨在应用人工智能来分别关键边缘，核心思想是通过专家标准边缘图中的边缘的重要程度，目的、手段、最终效果均不相同。专利技术CN108053413A、CN107993241A基于改进型遗传算法、粒子群算法找到从全局并发求解灰度阈值，明显提高检测精度和抗噪声能力。采用传统特征进行检测，计算量小，但需要由人工设计图像特征提取算法，而采用深度学习、人工智能的方法，则可以自动地学习到图像中边缘的特征，而不再需要人为去设计具体特征提取算法，与本专利技术相比各有优劣。
技术实现思路
为解决上述技术问题，本专利技术的目的是提供一种标准件深度全卷积特征边缘检测方法，包括训练全卷积特征边缘检测模型、采集标准件图像并提取边缘、专家辅助标注标准件图像边缘、标准件图像关键边缘强化学习，本专利技术的目的通过以下的技术方案来实现：一种标准件深度全卷积特征边缘检测方法，包括：A训练全卷积特征神经网络，作为初始边缘检测模型B采集标准件图像I1,I2,I3…In…IN(n∈[1,N],n∈Z)，并通过初始边缘检测模型分别提取标准件图像，得到标准件边缘图C对比标准件图像In与标准件边缘图标注标准件边缘图上的关键边缘非关键边缘与错误边缘并将关键边缘作为正样本，非关键边缘与错误边缘作为负样本，得到专家辅助标注标准件边缘图D对初始边缘检测模型进行强化学习，得到新的边缘检测模型E使用边缘检测模型提取标准件图像边缘，得到标准件边缘图并判断是否准确提取到关键边缘且提取到的关键边缘是否能满足需求，未能满足需求，重新执行步骤C；满足检测需求，则以为最终边缘检测模型MEdge进行应用。与现有技术相比，本专利技术的一个或多个实施例可以具有如下优点：本方法由专家指定关键边缘、非关键边缘与错误边缘后，学习到标准件图像上的关键边缘，应用人工智能将无用边缘剔除，寻找出图像上标准件的有效边缘，提升边缘检测方法的认知能力。附图说明图1是一种标准件深度全卷积特征边缘检测方法流程图；图2a、图3a、图4a、图5a分别是各种机箱使用预训练RCF-CNN模型输出的标准件边缘图；图2b、图3b、图4b、图5b分别是各种机箱的专家辅助标注标准件边缘图；图2c、图3c、图4c、图5c分别是经强化学习后得到的新边缘检测模型输出的标准件边缘图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本专利技术作进一步详细的描述。如图1所示，为一种标准件深度全卷积特征边缘检测方法流程，包括训练全卷积特征边缘检测模型、采集标准件图像并提取边缘、专家辅助标注标准件图像边缘、标准件图像关键边缘强化学习。具体包括以下步骤：步骤1训练全卷积特征神经网络，作为初始边缘检测模型步骤2采集标准件图像I1,I2,I3…In…IN(n∈[1,N],n∈Z)，并通过初始边缘检测模型分别提取标准件图像，得到标准件边缘图步骤3对比标准件图像In与标准件边缘图标注标准件边缘图上的关键边缘非关键边缘与错误边缘并将关键边缘作为正样本，非关键边缘与错误边缘作为负样本，得到专家辅助标注标准件边缘图步骤4对初始边缘检测模型进行强化学习，得到新的边缘检测模型步骤5使用边缘检测模型提取标准件图像边缘，得到标准件边缘图并判断是否准确提取到关键边缘且提取到的关键边缘是否能满足需求，未能满足需求，重新执行步骤C；满足检测需求，则以为最终边缘检测模型MEdge进行应用。上述步骤1基于全卷积特征RCF技术，在卷积神经网络CNN架构下，从数据集中训练出全卷积特征卷积神经网络RCF-CNN，作为初始边缘检测模型也可以直接使用预训练RCF-CNN作为初始边缘检测模型上述步骤2中，构建机器视觉装置，采集了四种机箱图像I1,I2,I3,I4(即N＝4)，并应用初始边缘检测模型分别提取标准件图像，得到标准件边缘图(分别为图2a、图3a、图4a、图5a)；上述步骤3具体包括：对比标准件图像In与标准件边缘图首先将错误提取到的边缘标注为错误边缘余下边缘则为正确边缘再将正确边缘中在后续机器视觉处理中起到作用的边缘标注为关键边缘无作用的边缘标注为非关键边缘所述关键边缘非关键边缘错误边缘满足以下条件：之后将所有关键边缘作为正样本，所有非关键边缘错误边缘作为负样本，得到专家辅助标注标准件边缘图依次类推，可以得到对应于标准件边缘图的专家辅助标注标准件边缘图(分别为图2b、图3b、图4b、图5b)；上述步骤4中对初始边缘检测模型进行强化学习具体包括：对边缘检测模型进行强化学习，对边缘检测模型进行强化学习，其中强化学习的输入为标准件图像I1,I2,I3…In…IN，输出为专家辅助标注标准件边缘图经强化学习后得到新的边缘检测模型本实施例强化学习的输入为标准件图像I1,I2,I3,I4，输出为专家辅助标注标准件边缘图经强化学习后得到新的边缘检测模型上述步骤E中，提取标准件图像边缘，得到标准件边缘图(分别为图2c、图3c、图4c、图5c)，由于各个边缘图像均只保留了标准件边缘，不再提取到文字、指示灯这些非关键边缘，能满足检测需求，故以为最终边缘检测模型MEdge，进行应用。虽然本专利技术所揭露的实施方式如上，但所述的内容只是为了便于理解本专利技术而采用的实本文档来自技高网...

【技术保护点】
1.一种标准件深度全卷积特征边缘检测方法，其特征在于，所述方法包括：A训练全卷积特征神经网络，作为初始边缘检测模型

【技术特征摘要】
1.一种标准件深度全卷积特征边缘检测方法，其特征在于，所述方法包括：A训练全卷积特征神经网络，作为初始边缘检测模型B采集标准件图像I1,I2,I3…In…IN，其中n∈[1,N],n∈Z，并通过初始边缘检测模型分别提取标准件图像，得到标准件边缘图C对比标准件图像In与标准件边缘图标注标准件边缘图上的关键边缘非关键边缘与错误边缘并将关键边缘作为正样本，非关键边缘与错误边缘作为负样本，得到专家辅助标注标准件边缘图D对初始边缘检测模型进行强化学习，得到新的边缘检测模型E使用边缘检测模型提取标准件图像边缘，得到标准件边缘图并判断是否准确提取到关键边缘且提取到的关键边缘是否能满足需求，未能满足需求，重新执行步骤C；满足检测需求，则以为最终边缘检测模型MEdge进行应用。2.如权利要求1所述的标准件深度全卷积特征边缘检测方法，其特征在于，所述步骤A...

【专利技术属性】
技术研发人员：刘桂雄，黄坚，王心铠，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44