一种基于深度学习的圆检测方法及其应用技术

本发明专利技术公开了一种基于深度学习的圆检测方法，包括步骤：(1)对原始图像上的圆轮廓进行标注作为图像样品；(2)构建深度学习模型并采用步骤(1)得到的图像样品进行训练得到图像分割模型；(3)采用步骤(2)得到的图像分割模型对待检测图像进行分割，得到相应的圆轮廓，并据此对其进行圆拟合得到最终的圆。本发明专利技术是基于圆弧分割，结合最小二乘拟合和ransac算法筛选，能有效避免拟合误差，其筛选的判断条件是寻找拟合圆最大覆盖区域，精度高且性能稳定。精度高且性能稳定。精度高且性能稳定。

【技术实现步骤摘要】
一种基于深度学习的圆检测方法及其应用


[0001]本专利技术图像处理
，尤其涉及一种基于深度学习的圆检测方法及其应用。

技术介绍

[0002]为了实现智能操作机器人对变电站KYN28型高压开关柜进行接地刀闸、手车作业，机器人需要搭载自主设计的移动平台作为执行机构，其中，执行机构配置了圆形伸缩杆作为接触件，在具体操作时需要伸缩杆对准接地刀闸或手车的圆形开关，因此需要测算目标圆心与伸缩杆圆心的距离。
[0003]以往圆检测方法多是基于二值图像进行处理，该类方法主要面临的问题是光照的影响，当光照变化很大时，使用二值图的方式进行检测的算法性能会严重降低。目前，基于深度学习的检测方法也有被使用，如采用实例分割网络提取整个圆区域等，但是当训练样本较少的时候，其模型抗光照干扰性、实例分割的精度和稳定性也会出现一定的下滑。
[0004]而现有技术中，分割模型中多是将整个圆进行分割，对分割后的圆进行圆弧检测加拟合或直接对分割区域进行霍夫圆检测等方式，但是因为像素变化区域广，现有技术需求的数据量巨大。

技术实现思路

[0005]专利技术目的：本专利技术针对上述不足，提出了一种基于深度学习的圆检测方法及其应用，设计了新的算法流程以解决光照、数据量少、精度低等问题的影响。
[0006]技术方案：
[0007]一种基于深度学习的圆检测方法，包括步骤：
[0008](1)对原始图像上的圆轮廓进行标注作为图像样品；
[0009](2)构建深度学习模型并采用步骤(1)得到的图像样品进行训练得到图像分割模型；
[0010](3)采用步骤(2)得到的图像分割模型对待检测图像进行分割，得到相应的圆轮廓，并据此对其进行圆拟合得到最终的圆。
[0011]所述步骤(1)中，对原始图像上的圆轮廓进行标注具体为：采用连续线段对原始图像的圆轮廓进行标注得到图像样品，线宽设置为7pixel。
[0012]所述步骤(2)的深度学习模型采用ResNnet50+RPN+FCN网络结构。
[0013]将所述图像样品固定为640*640pixel，在对图像分割模型进行训练时使用经过步骤(1)标注得到的2000个目标框参与计算，对图像分割模型进行测试时使用经过步骤(1)标注得到的200个目标框进行计算。
[0014]在所述步骤(3)中，在得到相应的圆轮廓后还包括数据压缩步骤：
[0015]在分割后的图像中像素只有0、1两个值，1表示图像分割的圆轮廓区域，0表示背景区域；则在图像上的行列上分别采用间隔采样的方式进行数据压缩，即将指定行列上像素值为1的像素的值置为0。
[0016]所述步骤(3)中圆拟合采用最小二乘法。
[0017]所述步骤(3)中最小二乘法进行圆拟合具体为：
[0018]圆心公式如下：
[0019](x
‑
x
c
)2+(y
‑
y
c
)2＝R2[0020]其中，(x,y)为圆轮廓上一点，(x
c
,y
c
)表示圆心坐标；
[0021]则转化为极值函数得到：
[0022]f＝∑((x
i
‑
x
c
)2+(y
i
‑
y
c
)2‑
R2)2[0023]则：
[0024][0025][0026][0027][0028][0029][0030]其中，表示圆轮廓上所有点x轴坐标的平均值，表示圆轮廓上所有点y轴坐标的平均值；x
i
表示圆轮廓第i个点的x轴坐标，y
i
表示圆轮廓第i个点的y轴坐标；N表示圆轮廓上数据点个数；u
i
表示圆轮廓第i个点的x轴坐标与圆轮廓上所有点x轴坐标的平均值之间的差值，v
i
表示圆轮廓第i个点的y轴坐标与圆轮廓上所有点y轴坐标的平均值之间的差值；u
c
表示圆心的x轴坐标与圆轮廓上所有点x轴坐标的平均值之间的差值，v
c
表示圆心的y轴坐标与圆轮廓上所有点y轴坐标的平均值之间的差值；
[0031]则：
[0032]f＝∑((u
i
‑
u
c
)2+(v
i
‑
v
c
)2‑
R2)2[0033][0034][0035][0036]通过上述极值函数即可求取得到对圆轮廓圆拟合的圆心坐标(x
c
,y
c
)和半径R。
[0037]在所述步骤(3)中，每次随机选取圆轮廓上点的数量的0.1倍进行最小二乘法进行圆拟合，并重复K次，统计其中拟合得到的所有圆中重合的个数，选取其中重合个数最多的圆作为最终检测得到的圆。
[0038]一种前述圆检测方法在接地刀闸操作中的应用。
[0039]本专利技术相对于现有技术，具有如下有益效果：
[0040]1、本专利技术结合深度学习能够更好的提取需要的特征，基于待提取的特征，设计了圆拟合的算法流程，整个算法圆检测的精度高且性能稳定，而且光照对待提取特征的影响很小。
[0041]2、本专利技术只对圆弧区域进行分割，像素变化区域窄，因此只需要少量数据即可，这也是解决工业数据获取难的一种方式。
[0042]3、现有技术存在对模型分割后的图像进行随机圆拟合，用以分割整圆，而本专利技术是分割圆弧，两种方法分割方式不同，基于整圆分割可以对圆区域采用弧段检测再拟合，或对圆区域进行霍夫圆查找等方式。而本专利技术是基于圆弧分割，结合最小二乘拟合和ransac算法筛选，能有效避免拟合误差，在ransac算法赛选过程中，其筛选的判断条件是寻找拟合圆最大覆盖区域，以提高拟合圆的精度。
附图说明
[0043]图1为本专利技术的流程图；
[0044]图2为接地刀闸和手车目标图像；
[0045]图3为设计的规则结合深度学习获取的特征图；
[0046]图4为基于设计的算法流程获取圆目标。
具体实施方式
[0047]下面结合附图和具体实施例，进一步阐明本专利技术。
[0048]图1为本专利技术的流程图，如图1所示，本专利技术基于深度学习的圆检测方法包括如下步骤：
[0049](1)、设计特征标注规则：
[0050]现有模型分割的方案是提取圆的整个区域，本文舍弃这种提取方式，改为只提取圆轮廓，该方式标注获取的数据特征较为集中，需要学习的特征少，能够更好的适用数据量少的模型训练；在标注时，采用连续线段对采集的原始图像的圆轮廓进行标注得到图像样品，线宽设置为7pixel；
[0051](2)、构建深度学习模型，并采用步骤(1)得到图像样品进行训练得到图像分割模型；
[0052]本专利技术的深度学习模型采用ResNnet50+RPN+FCN网络结构；其中，首先通过resnet50对图像进行提取得到特征图，采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的圆检测方法，其特征在于：包括步骤：(1)对原始图像上的圆轮廓进行标注作为图像样品；(2)构建深度学习模型并采用步骤(1)得到的图像样品进行训练得到图像分割模型；(3)采用步骤(2)得到的图像分割模型对待检测图像进行分割，得到相应的圆轮廓，并据此对其进行圆拟合得到最终的圆。2.根据权利要求1所述的圆检测方法，其特征在于：所述步骤(1)中，对原始图像上的圆轮廓进行标注具体为：采用连续线段对原始图像的圆轮廓进行标注得到图像样品，线宽设置为7pixel。3.根据权利要求1所述的圆检测方法，其特征在于：所述步骤(2)的深度学习模型采用ResNnet50+RPN+FCN网络结构。4.根据权利要求3所述的圆检测方法，其特征在于：将所述图像样品固定为640*640pixel，在对图像分割模型进行训练时使用经过步骤(1)标注得到的2000个目标框参与计算，对图像分割模型进行测试时使用经过步骤(1)标注得到的200个目标框进行计算。5.根据权利要求1所述的圆检测方法，其特征在于：在所述步骤(3)中，在得到相应的圆轮廓后还包括数据压缩步骤：在分割后的图像中像素只有0、1两个值，1表示图像分割的圆轮廓区域，0表示背景区域；则在图像上的行列上分别采用间隔采样的方式进行数据压缩，即将指定行列上像素值为1的像素的值置为0。6.根据权利要求1所述的圆检测方法，其特征在于：所述步骤(3)中圆拟合采用最小二乘法。7.根据权利要求6所述的圆检测方法，其特征在于：所述步骤(3)中最小二乘法进行圆拟合具体为：圆心公式如下：(x
‑
x
c
)2+(y
‑
y
c
)2＝R2其中，(x，y)为圆轮廓上一点，(x
c
，y
c
)表示圆...

【专利技术属性】
技术研发人员：王卓，毛成林，项导，
申请(专利权)人：亿嘉和科技股份有限公司，
类型：发明
国别省市：