一种基于卷积神经网络的宽厚板轮廓检测方法技术

本发明专利技术提供一种基于卷积神经网络的宽厚板轮廓检测方法，首先制作样本数据集，并构建卷积神经网络模型，然后利用样本数据集对网络模型进行训练，利用训练好的卷积神经网络将图像的高层语义信息与底层特征信息相结合，对宽厚板和背景进行有效分割；通过对分割后的图像进行边缘亚像素提取，最终获得宽厚板精确轮廓，本发明专利技术提供的方法学习能力强，可以有效抑制背景的干扰，对于不同对比度的原始图像，无需更改模型参数就可以有效地提取宽厚板轮廓，具有较强的鲁棒性。

【技术实现步骤摘要】
一种基于卷积神经网络的宽厚板轮廓检测方法
本专利技术涉及宽厚板轧制自动控制
，具体涉及一种基于卷积神经网络的宽厚板轮廓检测方法。
技术介绍
宽厚板广泛应用于船舰、桥梁、锅炉、容器、石油化工、工程机械及国防建设等方面，宽厚板平面轮廓是从整体角度对其质量进行评估的重要指标，也可以为剪切系统提供精确位置信息以优化剪切操作，减少人工干预，提高剪切线生产效率；降低剪切余量，提高产品成材率；避免因人工操作较多而导致的产品规格稳定性较差的问题，进而提高剪切线的经济效益。因此，开发一种能够实时采集和处理宽厚板轮廓信息的检测仪器是十分必要的。现有技术中，传统视觉检测方法在应对宽厚板实际生产问题时有一定的不足：1)实际生产现场的环境复杂，宽厚板温度、光源强度等一些条件都不是固定不变的，这就使得已经确定好的图像处理算法在新的环境下鲁棒性不好；2)检测算子涉及到很多阈值参数的确定，在此复杂的生产环境下，同一阈值的算法很难保证最终宽厚板轮廓检测的准确性；3)宽厚板表面会存在着许多缺陷区域，且该区域形状不规则、位置不确定，这些缺陷区域在边缘检测过程中会产生干扰边缘从而加大了宽厚板轮廓特征提取的难度。
技术实现思路
针对现有技术的不足，本专利技术提出一种基于卷积神经网络的宽厚板轮廓检测方法，为了获取高精度宽厚板轮廓，本专利技术采用卷积神经网络方法进行宽厚板轮廓检测，通过采集宽厚板图像制作数据集，并训练卷积神经网络模型，通过训练好的模型对图像进行二值分割，进一步运用边缘亚像素检测技术获取宽厚板精确轮廓信息，以达到有效抑制背景干扰，提高宽厚板轮廓检测精度，为剪切系统提供数据参考的目的。为实现上述技术效果，本专利技术提出了一种基于卷积神经网络的宽厚板轮廓检测方法，包括以下步骤：步骤1：采集宽厚板的原始图像，并制作样本数据集，包括如下步骤：步骤1.1：通过工业相机在不同光照条件下拍摄不同形状的宽厚板，获取不同宽厚板的原始图像；步骤1.2：对原始图像的背景区域进行裁剪，得到包含前景的裁剪后图像；步骤1.3：将裁剪后的图像按照预设编号方式进行编号，得到编号后的宽厚板图像；步骤1.4：采用图像标注工具将编号后的宽厚板图像进行标注，并按照步骤1.3中的预设编号形式进行编号，得到编号后的标注图像；步骤1.5：将编号后的宽厚板图像和标注图像统一调整为256×256像素，得到调整后的宽厚板图像和标注图像；步骤1.6：将调整后的宽厚板图像和标注图像进行M次的图像增强处理，分别得到Mn个宽厚板图像和Mn个标注图像，将Mn个宽厚板图像和Mn个标注图像作为样本数据集，其中n表示宽厚板原始图像的个数；步骤2：基于python语言的pytorch库构建卷积神经网络模型；步骤3：将样本数据集分为训练集和验证集；步骤4：将训练集输入到卷积神经网络模型中进行H次迭代训练，得到最优卷积神经网络模型；步骤5：利用最优卷积神经网络模型提取待检测宽厚板的形状，得到宽厚板的前景图；步骤6：对宽厚板的前景图进行亚像素边缘检测处理，得到待检测宽厚板的轮廓。所述步骤2包括：步骤2.1：选择ReLU激活函数训练网络；步骤2.2：在每层网络的卷积层与ReLU激活函数层之间加入BN层，构建由卷积层-BN层-ReLU激活层组成的基本网络；步骤2.3：通过两个基本网络搭建第1、2层网络；步骤2.4：对第2层网络的输出进行最大池化操作后，增加两个基本网络搭建第3、4层网络；步骤2.5：对第4层网络的输出进行最大池化操作后，增加两个基本网络搭建第5、6层网络；步骤2.6：对第6层网络的输出进行最大池化操作后，增加两个基本网络搭建第7、8层网络；步骤2.7：对第8层网络的输出进行最大池化操作后，增加两个基本网络搭建第9、10层网络；步骤2.8：对第10层网络的输出进行双线性插值上采样操作，并与第8层的输出进行特征融合，然后增加两个基本网络搭建第11、12层网络；步骤2.9：对第12层网络的输出进行双线性插值上采样操作，并与第6层的输出进行特征融合，然后增加两个基本网络搭建第13、14层网络；步骤2.10：对第14层网络的输出进行双线性插值上采样操作，并与第4层的输出进行特征融合，然后增加两个基本网络搭建第15、16层网络；步骤2.11：对第16层网络的输出进行双线性插值上采样操作，并与第2层的输出进行特征融合，然后增加两个基本网络搭建第17、18层网络；步骤2.12：对第18层网络的输出进行1×1卷积操作，得到卷积神经网络模型。所述步骤4包括：步骤4.1：将训练集作为卷积神经网络的输入，并设置超参数，所述超参数包括最大迭代次数H、批大小、学习率、学习率衰减系数、学习策略；步骤4.2：使用BCEWithLogitsLoss函数作为损失函数监督网络学习；步骤4.3：使用自适应学习率的RMSprop方法更新参数；步骤4.4：每次训练结束后，利用验证集计算交叉比，式中，IoUi表示第i次迭代后的交叉比值，TPi表示第i次迭代后输出的分类正确的正样本，TNi表示第i次迭代后输出的分类错误的正样本，FNi表示第i次迭代后输出的分类错误的负样本；步骤4.5：当训练到最大迭代次数H后，训练结束，计算相邻两个交叉比之差的绝对值Δ＝|IoUi-IoUi+1|，如果Δ≤Δ′，则表示第i次训练的卷积神经网络模型符合参数要求，从符合参数要求的所有卷积神经网络模型中任选一个作为最优卷积神经网络模型，Δ′表示预设阈值。本专利技术的有益效果是：本专利技术提出了一种基于卷积神经网络的宽厚板轮廓检测方法，解决了传统的检测算子对纹理的鲁棒性差且阈值参数难以确定的问题；利用卷积神经网络通过将图像的高层语义信息与底层特征信息相结合，可以有效地进行钢板和背景的分割，再用边缘亚像素检测算法提取宽厚板轮廓；借助卷积神经网络模型的强学习能力，可以有效抑制背景的干扰，提高宽厚板轮廓检测精度，对于不同对比度的原始图像，无需改变模型参数就可以进行有效地分割，具有较好的鲁棒性。附图说明图1为本专利技术中基于卷积神经网络的宽厚板轮廓检测方法流程图；图2为本专利技术实施例中获取宽厚板原始图像的实验台图；图3为本专利技术实施例中获取的宽厚板原始图像，其中图(a)表示调整后的宽厚板图像，图(b)表示调整后的标注图像；图4为本专利技术实施例中双线性插值原理示意图；图5为本专利技术实施例中卷积神经网络框架示意图；图6为本专利技术实施例中宽厚板头部图像轮廓检测示意图，图(a)表示原始图像，图(b)表示卷积神经网络模型输出图，图(c)表示轮廓图像，图(d)表示图(b)和图(c)融合后的图像，图(e)表示图(d)中A区域的局部放大图；图7为本专利技术实施例中不同光照条件的宽厚板轮廓检测示意图，图(a)表示一种光照条件下拍摄的原始图像，图(b)表示图(a)中的原始图像经过卷积神经网络模型的输出图，本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的宽厚板轮廓检测方法，其特征在于，包括如下步骤：/n步骤1：采集宽厚板的原始图像，并制作样本数据集，包括如下步骤：/n步骤1.1：通过工业相机在不同光照条件下拍摄不同形状的宽厚板，获取不同宽厚板的原始图像；/n步骤1.2：对原始图像的背景区域进行裁剪，得到包含前景的裁剪后图像；/n步骤1.3：将裁剪后的图像按照预设编号方式进行编号，得到编号后的宽厚板图像；/n步骤1.4：采用图像标注工具将编号后的宽厚板图像进行标注，并按照步骤1.3中的预设编号形式进行编号，得到编号后的标注图像；/n步骤1.5：将编号后的宽厚板图像和标注图像统一调整为256×256像素，得到调整后的宽厚板图像和标注图像；/n步骤1.6：将调整后的宽厚板图像和标注图像进行M次的图像增强处理，分别得到Mn个宽厚板图像和Mn个标注图像，将Mn个宽厚板图像和Mn个标注图像作为样本数据集，其中n表示宽厚板原始图像的个数；/n步骤2：基于python语言的pytorch库构建卷积神经网络模型；/n步骤3：将样本数据集分为训练集和验证集；/n步骤4：将训练集输入到卷积神经网络模型中进行H次迭代训练，得到最优卷积神经网络模型；/n步骤5：利用最优卷积神经网络模型提取待检测宽厚板的形状，得到宽厚板的前景图；/n步骤6：对宽厚板的前景图进行亚像素边缘检测处理，得到待检测宽厚板的轮廓。/n...

【技术特征摘要】
1.一种基于卷积神经网络的宽厚板轮廓检测方法，其特征在于，包括如下步骤：
步骤1：采集宽厚板的原始图像，并制作样本数据集，包括如下步骤：
步骤1.1：通过工业相机在不同光照条件下拍摄不同形状的宽厚板，获取不同宽厚板的原始图像；
步骤1.2：对原始图像的背景区域进行裁剪，得到包含前景的裁剪后图像；
步骤1.3：将裁剪后的图像按照预设编号方式进行编号，得到编号后的宽厚板图像；
步骤1.4：采用图像标注工具将编号后的宽厚板图像进行标注，并按照步骤1.3中的预设编号形式进行编号，得到编号后的标注图像；
步骤1.5：将编号后的宽厚板图像和标注图像统一调整为256×256像素，得到调整后的宽厚板图像和标注图像；
步骤1.6：将调整后的宽厚板图像和标注图像进行M次的图像增强处理，分别得到Mn个宽厚板图像和Mn个标注图像，将Mn个宽厚板图像和Mn个标注图像作为样本数据集，其中n表示宽厚板原始图像的个数；
步骤2：基于python语言的pytorch库构建卷积神经网络模型；
步骤3：将样本数据集分为训练集和验证集；
步骤4：将训练集输入到卷积神经网络模型中进行H次迭代训练，得到最优卷积神经网络模型；
步骤5：利用最优卷积神经网络模型提取待检测宽厚板的形状，得到宽厚板的前景图；
步骤6：对宽厚板的前景图进行亚像素边缘检测处理，得到待检测宽厚板的轮廓。


2.根据权利要求1所述的一种基于卷积神经网络的宽厚板轮廓检测方法，其特征在于，所述步骤2包括：
步骤2.1：选择ReLU激活函数训练网络；
步骤2.2：在每层网络的卷积层与ReLU激活函数层之间加入BN层，构建由卷积层-BN层-ReLU激活层组成的基本网络；
步骤2.3：通过两个基本网络搭建第1、2层网络；
步骤2.4：对第2层网络的输出进行最大池化操作后，增加两个基本网络搭建第3、4层网络；
步骤2.5：对第4层网络的输出进行最大池化操作后，增加两个基本网络搭建第5、6层网络；
步骤2...

【专利技术属性】
技术研发人员：苏亚华，李旭，张殿华，董梓硕，曹剑钊，丁敬国，孙超，周平，王培文，李涛，李庆华，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21