一种用于同时检测家具板材边界、圆孔、槽的方法及系统技术方案

本发明专利技术公开了一种用于同时检测家具板材边界、圆孔、槽的方法及系统，该方法包括：构建边界、圆孔、槽的数据集，并对数据集进行预处理，得到修改后的数据集；基于修改后的数据集对预构建的改进VGG19网络模型进行训练，得到检测模型；将待测样本输入到检测模型，得到检测结果；将检测结果标注在原图上。该系统包括：数据集预处理模块、训练模块、检测模块和标注模块。通过使用本发明专利技术，能够兼顾板材的多种花色并在受到纹理、破损以及槽深的影响下同时完成样本的分类，及其边界，圆孔，槽轮廓的提取。本发明专利技术可广泛应用于计算机视觉目标检测领域。本发明专利技术可广泛应用于计算机视觉目标检测领域。本发明专利技术可广泛应用于计算机视觉目标检测领域。

【技术实现步骤摘要】
一种用于同时检测家具板材边界、圆孔、槽的方法及系统


[0001]本专利技术涉及计算机视觉目标检测领域，尤其涉及一种用于同时检测家具板材边界、圆孔、槽的方法及系统。

技术介绍

[0002]对于家具板材来说，生产出来的不同花色的板材表面的纹理结构往往比较复杂，且对于板材中圆孔和槽来说，其轮廓边缘往往质量参差不齐，轮廓可能会有一定的破损，模糊及瑕疵，同时，在采样技术条件或采样环境不稳定不够好的情况下，得到的图像成像效果偏差，得到的边界也往往不够明显。基于此，目前使用的方法是针对边界检测，圆孔检测，槽检测分别设置不同的方法，如对于圆孔检测来说，采用霍夫圆或最小二乘法拟合圆的方法去检测；对于边界和槽来说，采用边缘投影的方法去检测。但是此类方法无法同时适应不同花色种类的样本，而且受到纹理，破损，及槽深，成像的影响从而难以精确识别到边界，圆孔，槽的轮廓，进而无法准确的识别到边界，圆孔，槽。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的是提供一种用于同时检测家具板材边界、圆孔、槽的方法及系统，兼顾板材的多种花色并在受到纹理、破损以及槽深的影响下同时完成样本的分类，及其边界，圆孔，槽轮廓的提取。
[0004]本专利技术所采用的第一技术方案是：一种用于同时检测家具板材边界、圆孔、槽的方法，包括以下步骤：
[0005]构建边界、圆孔、槽的数据集，并对数据集进行预处理，得到修改后的数据集；
[0006]基于修改后的数据集对预构建的改进VGG19网络模型进行训练，得到检测模型；/>[0007]将待测样本输入到检测模型，得到检测结果；
[0008]将检测结果标注在原图上。
[0009]进一步，所述构建边界、圆孔、槽的数据集，并对数据集进行预处理，得到修改后的数据集这一步骤，其具体包括：
[0010]分别获取边界、圆孔、槽的图片并制作其轮廓标签，得到对应的三种数据集，每张图片仅包含一个目标，三种类型的图片的数目相等；
[0011]对三种数据集进行标签的加工，得到对应三种加工后的数据集；
[0012]将三种加工后的数据集进行数据增强，得到对应三种扩充后的数据集；
[0013]将三种扩充后的数据集进行数据集整合，得到修改后的数据集。
[0014]进一步，所述对三种数据集进行标签的加工，得到对应三种加工后的数据集这一步骤，其具体包括：
[0015]以图片左上角为原点，向下为y轴，向右为x轴做直角坐标系；
[0016]针对边界数据集，基于两条边界的边界起点和边界终点，根据欧几里得距离公式计算最近的两个点，结合四个点的相对位置得到边界属于的方向；
[0017]针对圆孔数据集，从原始标签中直接提取圆心坐标，通过圆上任意一点坐标和圆心坐标求解得到半径；
[0018]针对槽数据集，从原始标签中分别提取两条槽边的起点和终点的坐标，获取到两对起点和终点的坐标，对于每对起点和终点的坐标，将这两个点的横坐标相加后除2，得到关键点信息。
[0019]进一步，所述数据增强的方式包括随机水平翻转，随机垂直翻转及双边滤波。
[0020]进一步，对VGG网络的调整：根据数据集的特性(纹理复杂，目标轮廓结构单一)以及实际调试结果对VGG网络结构进行调整，所述预构建的改进VGG19网络模型包括六个部分、一个输入和三个输出，所述六个部分具体为：
[0021]第一部分由两个深度为64，卷积核为3、步长为1的卷积层、一个batchNorm层和一个步长为1的最大池化层组成；
[0022]第二部分由两个深度为128，卷积核为3的卷积层、一个batchNorm层、一个步长为1的最大池化层和一个relu激活函数组成；
[0023]第三部分由四个深度为256，卷积核为3的卷积层和一个步长为1的最大池化层和一个relu激活函数组成；
[0024]第四部分和第五部分均由四个深度为512，卷积核为3的卷积层和一个步长为1的最大池化层和一个relu激活函数组成；
[0025]第六部分由两个4096个节点全连接层和一个512个节点的全连接层组成。
[0026]进一步，所述预构建的改进VGG19网络模型采用混合损失函数，分别采用权重不同的逻辑回归损失函数、逻辑回归损失函数和平方差损失函数对应三个输出分支。
[0027]进一步，所述基于修改后的数据集对预构建的改进VGG19网络模型进行训练，得到检测模型这一步骤，其具体包括：
[0028]将修改后得到数据集按预设比例划分为训练集和测试集；
[0029]将训练集中的训练图片和标签文件对改进VGG19网络模型进行训练；
[0030]根据误差结果调节改进VGG19模型的参数，直到总损失值达到预设阈值以下，得到训练完成的检测模型。
[0031]进一步，所述将待测样本输入到检测模型，得到检测结果这一步骤，其具体包括：
[0032]将待测样本压缩至预设尺寸并输入到检测模型；
[0033]依次经过第一部分、第二部分、第三部分、第四部分和第五部分，逐步提取图片的特征并对特征进行线性组合，得到对应输出；
[0034]所述对应输出分别是，是否为圆孔边界，是否为槽，是否为边界，边界方向是否为左上角，边界方向是否为右上角，边界方向是否为右下角，边界方向是否为左下角，圆孔圆心横坐标，圆孔圆心纵坐标，圆孔半径，槽左边横坐标，槽右边横坐标，边界交点横坐标，边界交点纵坐标；
[0035]根据输出确定检测结果。
[0036]进一步，所述将检测结果标注在原图上这一步骤，其具体包括：
[0037]若检测结果为圆孔类型，根据圆心横坐标，圆心纵坐标，圆孔半径，采用cv2.circle()函数将结果标注在原图上；
[0038]若检测结果为槽类型，根据槽边的两个横坐标向上和向下延伸，得到对应两条槽
边的起点和终点的坐标，采用cv2.line()函数将结果标注在原图上；
[0039]若检测结果为边界类型，根据边界属于的方向、方向和边界的交点得到边界的两条直线，采用cv2.line()函数将结果标注在原图上。
[0040]本专利技术所采用的第二技术方案是：一种用于同时检测家具板材边界、圆孔、槽的系统，包括：
[0041]数据集预处理模块，用于构建边界、圆孔、槽的数据集，并对数据集进行预处理，得到修改后的数据集；
[0042]训练模块，基于修改后的数据集对预构建的改进VGG19网络模型进行训练，得到检测模型；
[0043]检测模块，用于将待测样本输入到检测模型，得到检测结果；
[0044]标注模块，用于将检测结果标注在原图上。
[0045]本专利技术方法及系统的有益效果是：本专利技术首先通过数据增强和滤波器处理的方法，增加样本量，在样本量较小的情况下，也能够有较好的精确度和泛化能力，对数据集进行加工处理，提取边界，圆孔，槽的关键点信息作为标签，使网络的输出简单，得到的结果的误差较小，另外，通过修改V本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于同时检测家具板材边界、圆孔、槽的方法，其特征在于，包括以下步骤：构建边界、圆孔、槽的数据集，并对数据集进行预处理，得到修改后的数据集；基于修改后的数据集对预构建的改进VGG19网络模型进行训练，得到检测模型；将待测样本输入到检测模型，得到检测结果；将检测结果标注在原图上。2.根据权利要求1所述一种用于同时检测家具板材边界、圆孔、槽的方法，其特征在于，所述构建边界、圆孔、槽的数据集，并对数据集进行预处理，得到修改后的数据集这一步骤，其具体包括：分别获取边界、圆孔、槽的图片并制作其轮廓标签，得到对应的三种数据集，每张图片仅包含一个目标，三种类型的图片的数目相等；对三种数据集进行标签的加工，得到对应三种加工后的数据集；将三种加工后的数据集进行数据增强，得到对应三种扩充后的数据集；将三种扩充后的数据集进行数据集整合，得到修改后的数据集。3.根据权利要求2所述一种用于同时检测家具板材边界、圆孔、槽的方法，其特征在于，所述对三种数据集进行标签的加工，得到对应三种加工后的数据集这一步骤，其具体包括：以图片左上角为原点，向下为y轴，向右为x轴做直角坐标系；针对边界数据集，基于两条边界的边界起点和边界终点，根据欧几里得距离公式计算最近的两个点，结合四个点的相对位置得到边界属于的方向；针对圆孔数据集，从原始标签中直接提取圆心坐标，通过圆上任意一点坐标和圆心坐标求解得到半径；针对槽数据集，从原始标签中分别提取两条槽边的起点和终点的坐标，获取到两对起点和终点的坐标，对于每对起点和终点的坐标，将这两个点的横坐标相加后除2，得到关键点信息。4.根据权利要求3所述一种用于同时检测家具板材边界、圆孔、槽的方法，其特征在于，所述数据增强的方式包括随机水平翻转，随机垂直翻转及双边滤波。5.根据权利要求4所述一种用于同时检测家具板材边界、圆孔、槽的方法，其特征在于，所述预构建的改进VGG19网络模型包括六个部分、一个输入和三个输出，所述六个部分具体为：第一部分由两个深度为64，卷积核为3、步长为1的卷积层、一个batchNorm层和一个步长为1的最大池化层组成；第二部分由两个深度为128，卷积核为3的卷积层、一个batchNorm层、一个步长为1的最大池化层和一个relu激活函数组成；第三部分由四个深度为256，卷积核为3的卷积层和一个步长为1的最大池化层和一个relu激活函数组成；第四部分和第五部分均由四个深度为512，卷积核为3的卷积层和一个步长为1的最大池化层和一个relu激活函数组成；第六部...

【专利技术属性】
技术研发人员：林海城，陈翔，龚杰，
申请(专利权)人：中山大学，
类型：发明
国别省市：