一种精确识别图像边缘物体的方法技术

本发明专利技术公开了一种精确识别图像边缘物体的方法，涉及图像检测技术领域。本发明专利技术包括以下步骤：步骤1：若干3D视觉传感器对不同目标进行图像采集，并将采集得到的图像转化为灰度图像；步骤2：若干个边缘节点对若干个3D视觉传感器采集的目标图像进行特征提取；步骤3：每个边缘节点将比对后的边缘存在物体的目标图像发送至聚合服务器；步骤4：云中心服务器接收聚合服务器发送的目标图像边缘存在物体的图像，并提醒用户目标图像边缘存在物体；步骤5:云中心服务器内部的目标图像边缘存在物体的目标图像经人工核实后，将识别正确的图像上传至样本库。不仅有很高的检测精确，而且大大提高了检测效率，降低了人工使用的成本，有利于大规模推广。推广。推广。

【技术实现步骤摘要】
一种精确识别图像边缘物体的方法


[0001]本专利技术属于图像检测
，特别是涉及一种精确识别图像边缘物体的方法。

技术介绍

[0002]图像检测将边缘检测的思路扩展到识别整幅图像，通常达到判别被检测的图像是否属于已知图像数据库中的某一幅图像，或者经过综合判别后，推断该图像与某一幅已知的图像最相似的目的。图像检测有时也被用于从一幅已知图像中检索出某个给定的子图像。
[0003]目前在高压变电站、高压输电线路中，以及一些治安场景下，高压变电站和高压输电线路中，一些零部件件长时间的暴露在外，较为容易的发生故障，一些治安场景下周围环境不能有人或物体靠近，这些情况下，传统的通过人工检测的方法，准确率很好，但是存在着效率低，浪费人力等一系列问题。

技术实现思路

[0004]本专利技术的目的在于提供一种精确识别图像边缘物体的方法，解决了上述技术背景中的问题。
[0005]为解决上述技术问题，本专利技术是通过以下技术方案实现的：
[0006]本专利技术为一种精确识别图像边缘物体的方法，包括以下步骤：
[0007]步骤1：若干3D视觉传感器对不同目标进行图像采集，并将采集得到的图像转化为灰度图像；
[0008]步骤2：若干个边缘节点对若干个所述3D视觉传感器采集的目标图像进行特征提取，并将提取的特征模型与本地训练模型进行比对判断；
[0009]步骤3：每个边缘节点将比对后的边缘存在物体的目标图像发送至聚合服务器，聚合服务器计算分布模型参数进行全局聚合更新参数，并将更新的参数发送至边缘节点，对本地的模型进行更新；
[0010]步骤4：云中心服务器接收聚合服务器发送的目标图像边缘存在物体的图像，并提醒用户目标图像边缘存在物体；
[0011]步骤5:云中心服务器内部的目标图像边缘存在物体的目标图像经人工核实后，将识别正确的图像上传至样本库。
[0012]优选的，所述步骤1中的图像化灰度化的级别为256级。
[0013]优选的，所述步骤2中，通过Inception模型的数据池对目标图像进行特征提取。
[0014]优选的，所述步骤2中，每个边缘节点通过节点计算，参与所述步骤3中聚合服务器的模型训练，并将更新的局部模型参数发送至聚合服务器。
[0015]优选的，所述步骤5中，预先对云中心服务器上进行基于多模块融合的RestNet101分类模型初始训练，并将训练好的模型下载至步骤2中的一个边缘节点，所述RestNet101网络架构的残差块内部结构中嵌入有SE模块，所述RestNet101网络架构的第一层前和最后一
层后集成有CBAM模块。
[0016]优选的，所述聚合服务器将权重参数发送至所述云中心服务器。
[0017]本专利技术具有以下有益效果：
[0018]本专利技术通过对采集的图像进行灰度处理，降低特征提取的计算量，通过设置若干个边缘节点与需要检测的目标对应，不同目标的图像的特征进行分布式提取，达到敏捷连接，实时性强的有点，通过聚合服务器将目标边缘存在物体的图像发送至云中心服务器，进行集中提醒显示，这样不仅有很高的检测精确，而且大大提高了检测效率，降低了人工使用的成本，有利于大规模推广。
[0019]当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0020]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0021]图1为一种精确识别图像边缘物体的方法的结构示意图。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0023]请参阅图1，本专利技术为一种精确识别图像边缘物体的方法，包括以下步骤：
[0024]步骤1：若干3D视觉传感器对不同目标进行图像采集，并将采集得到的图像转化为灰度图像，3D视觉传感器可安装在无人机等智能巡检设备上，对高压变电站、高线输电线路件的零部件图像信息进行采集，或者将3D视觉传感器安装治安场景下的关键位置处，进行图像信息的采集，将采集的图像转化为灰度图像可有效的降低后续特征提取的运算量，提高检测效率，通过加权法将图像转化为灰度图像。
[0025]步骤2：若干个边缘节点对若干个所述3D视觉传感器采集的目标图像进行特征提取，并将提取的特征模型与本地训练模型进行比对判断，每个3D视觉传感器都对应有一个边缘节点，不同的3D视觉传感器采集的图像可以进行分布式计算，提高连接的敏捷型和整体的实时性，边缘节点对目标图像进行特征提取，将提取的特征模型与边缘节点内部的ResNet101分类模型对比，判断目标图像的边缘是否存在物体，ResNet101分类模型可很好的对目标图像的状态进行识别，从而正确的识别目标图像边缘是否存在物体。
[0026]步骤3：每个边缘节点将比对后的边缘存在物体的目标图像发送至聚合服务器，聚合服务器计算分布模型参数进行全局聚合更新参数，并将更新的参数发送至边缘节点，对本地的模型进行更新，聚合服务器负责接收每个边缘节点的发出的边缘存在物体的目标图像参数，并将其发送至云中心服务器，聚合服务器将每个边缘节点发送的边缘不存在物体的模型参数进行融合，并将融合的参数发送至每个边缘节点，使得边缘节点重新开始新的
本地训练，更新模型。
[0027]步骤4：云中心服务器接收聚合服务器发送的目标图像边缘存在物体的图像，并提醒用户目标图像边缘存在物体，云中心服务器接收的边缘存在物体的目标图像参数后，云中心服务器中的交互界面显示边缘存在物体的目标图像，提醒目标的边缘存在物体。
[0028]步骤5:云中心服务器内部的目标图像边缘存在物体的目标图像经人工核实后，将识别正确的图像上传至样本库，最终人工对交互界面的目标进行核实，核实通过后将数据上传至样本库储存，使得现有的模型完成增量学习。
[0029]其中，所述步骤1中的图像化灰度化的级别为256级。
[0030]其中，所述步骤2中，通过Inception模型的数据池对目标图像进行特征提取，Inception模型中的数据池化层以结构并行方式，通过串联和堆叠多个不同尺寸的卷积来代替7*7的卷积核，将输入的目标图像同时传入四个分支，使用1*1的卷积核进行降维以及映射处理，第三个分支使用2个级联的3*3滤波器进行卷卷积操作，在每个卷积层后加入ReLU激活函数，增加网络的非线性，将得到的四个不同尺度的矩阵按深度拼接，得到提取的特征矩阵。
[0031]其中，所述步骤2中，每个边缘节点通过节点计算，参与所述步骤3中聚合服务器的模型训练，并将更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种精确识别图像边缘物体的方法，其特征在于：包括以下步骤：步骤1：若干3D视觉传感器对不同目标进行图像采集，并将采集得到的图像转化为灰度图像；步骤2：若干个边缘节点对若干个所述3D视觉传感器采集的目标图像进行特征提取，并将提取的特征模型与本地训练模型进行比对判断；步骤3：每个边缘节点将比对后的边缘存在物体的目标图像发送至聚合服务器，聚合服务器计算分布模型参数进行全局聚合更新参数，并将更新的参数发送至边缘节点，对本地的模型进行更新；步骤4：云中心服务器接收聚合服务器发送的目标图像边缘存在物体的图像，并提醒用户目标图像边缘存在物体；步骤5:云中心服务器内部的目标图像边缘存在物体的图像经人工核实后，将识别正确的图像上传至样本库。2.根据权利要求1所述的一种精确识别图像边缘物体的方法，其特征在于，所述步骤1中的图像化灰度化的级别为256级。3.根据权利要求1所述的一种精...

【专利技术属性】
技术研发人员：陶云辉，陈振鹏，杨峰，黄慧雅，
申请(专利权)人：合肥朗云物联科技股份有限公司，
类型：发明
国别省市：