一种生物启发的轻量化边缘检测方法技术

本发明专利技术旨在提供一种生物启发的轻量化边缘检测方法，包括以下步骤：

【技术实现步骤摘要】
一种生物启发的轻量化边缘检测方法


[0001]本专利技术涉及图像处理领域，具体涉及一种生物启发的轻量化边缘检测方法
。

技术介绍

[0002]基于深度学习的边缘检测方法：通常采用卷积神经网络
(CNN)
或
Transformer
为基础，以编码网络解码网络的架构形式，设计边缘检测网络
。
这些方法中包含准确率优异的高性能边缘检测网络和低参数量和低计算量的高效边缘检测网络
。
其中，编码网络通常由卷积层
、
池化层和激活函数组成，将输入图像转换为一系列特征图
。
解码网络则使用上采样模块
、
特征融合模块和注意力模块，将多尺度特征恢复到与输入图像相同尺寸的边缘概率图
。
[0003]生物启发的边缘检测方法：通常以生物视觉系统的神经元的响应范式为启发，设计新的边缘检测算法
。
生物视觉系统作为天然的高效的边缘检测器，对于其边缘提取和加工的视觉机制在神经科学领域存在大量的研究
。
根据生物视觉系统边缘提取和加工的视觉机制设计滤波器是这类方法的一大特点
。
[0004]目前基于
CNN
和
Transformer
的边缘检测方法虽然拥有良好的准确率表现，但是这些方法带来了参数量大
、
计算量高
、
以及推理速度慢的问题
。
一些人关注到了这些问题提出了一些轻量化的边缘检测方法，这些方法虽然以较少的参数量和计算量实现了不错的准确率，但是在推理速度
(FPS)
方面有待提高
。
导致这些问题的原因可能是模型设计存在不合理，例如一些轻量化的边缘检测模型的实现过程加入了过多冗的模块和分支操作
。

技术实现思路

[0005]本专利技术旨在提供一种生物启发的轻量化边缘检测方法，该方法将生物视觉系统中的一些信息处理范式和
CNN
进行结合，提高轻量化边缘检测算法的准确率，增加推理速度
。
[0006]本专利技术的技术方案如下：
[0007]所述的生物启发的轻量化边缘检测方法，包括以下步骤：
[0008]A、
构建神经网络，所述的神经网络包括
ORFC Block1
模块
、ORFC Block2
模块
、
第一
ORFC Block3
模块
、
第二
ORFC Block3
模块
、FMM1
模块
、FMM2
模块
、FMM3
模块
、EPM
模块；
[0009]B、
原始图像输入
ORFC Block1
模块中进行处理，得到将通道数变为
60
的
ORFC Block1
处理结果；
ORFC Block1
处理结果输入
ORFC Block2
模块中，得到通道数变为
120
，长和宽变为二分之一的
ORFC Block2
处理结果；
ORFC Block2
处理结果输入第一
ORFC Block3
模块中，得到通道数变为
240
，长和宽变为二分之一的第一
ORFC Block3
处理结果；第一
ORFC Block3
处理结果输入第二
ORFC Block3
模块中，得到通道数不变，长和宽变为二分之一的第二
ORFC Block3
处理结果；
[0010]ORFC Block1
处理结果和第二
ORFC Block3
处理结果输入
FMM1
模块，经过
FMM1
模块处理后，得到通道数为1的，长宽和原始图像一致的
FMM1
处理结果；
ORFC Block2
处理结果和第二
ORFC Block3
处理结果输入
FMM2
模块，经过
FMM2
模块处理后，得到通道数为1的，长宽和原始图像一致的
FMM2
处理结果；第一
ORFC Block3
处理结果和第二
ORFC Block3
处理结果输
入
FMM3
模块，经过
FMM3
模块处理后，得到通道数为1的，长宽和原始图像一致的
FMM3
处理结果；第二
ORFCBlock3
处理结果输入
EPM
模块，经过
EPM
模块处理后，得到通道数为1的，长宽和原始图像一致的
EPM
处理结果；
[0011]FMM1
处理结果
、FMM2
处理结果
、FMM3
处理结果
、EPM
处理结果分别输入
Concat
函数中进行拼接，然后依次经过
3*3
‑1卷积和
Sigmoid
函数处理，得到最终检测结果
。
[0012]ORFCBlock1
模块
、ORFCBlock2
模块
、
第一
ORFCBlock3
模块
、
第二
ORFCBlock3
模块结构一样；
[0013]分别包括依次连接的
ORFC
模块
、
第一
BaseLayer
模块
、
第二
BaseLayer
模块
、
第三
BaseLayer
模块，输入结果先经过
ORFC
模块处理，变更通道数和尺寸后，依次经过第一
BaseLayer
模块
、
第二
BaseLayer
模块
、
第三
BaseLayer
模块处理后，得到输出结果；
[0014]或者分别包括依次连接的
DresLayer
模块
、
第一
BaseLayer
模块
、
第二
BaseLayer
模块
、
第三
BaseLayer
模块，输入结果先经过
DresLayer
模块处理，变更通道数和尺寸后，依次经过第一
BaseLayer
模块
、
第二
BaseLayer
模块
、
第三
BaseLayer...

【技术保护点】

【技术特征摘要】
1.
一种生物启发的轻量化边缘检测方法，其特征在于，包括以下步骤：
A、
构建神经网络，所述的神经网络包括
ORFC Block1
模块
、ORFC Block2
模块
、
第一
ORFC Block3
模块
、
第二
ORFC Block3
模块
、FMM1
模块
、FMM2
模块
、FMM3
模块
、EPM
模块；
B、
原始图像输入
ORFC Block1
模块中进行处理，得到将通道数变为
60
的
ORFC Block1
处理结果；
ORFC Block1
处理结果输入
ORFC Block2
模块中，得到通道数变为
120
，长和宽变为二分之一的
ORFC Block2
处理结果；
ORFC Block2
处理结果输入第一
ORFC Block3
模块中，得到通道数变为
240
，长和宽变为二分之一的第一
ORFC Block3
处理结果；第一
ORFC Block3
处理结果输入第二
ORFC Block3
模块中，得到通道数不变，长和宽变为二分之一的第二
ORFC Block3
处理结果；
ORFC Block1
处理结果和第二
ORFC Block3
处理结果输入
FMM1
模块，经过
FMM1
模块处理后，得到通道数为1的，长宽和原始图像一致的
FMM1
处理结果；
ORFC Block2
处理结果和第二
ORFC Block3
处理结果输入
FMM2
模块，经过
FMM2
模块处理后，得到通道数为1的，长宽和原始图像一致的
FMM2
处理结果；第一
ORFC Block3
处理结果和第二
ORFC Block3
处理结果输入
FMM3
模块，经过
FMM3
模块处理后，得到通道数为1的，长宽和原始图像一致的
FMM3
处理结果；第二
ORFC Block3
处理结果输入
EPM
模块，经过
EPM
模块处理后，得到通道数为1的，长宽和原始图像一致的
EPM
处理结果；
FMM1
处理结果
、FMM2
处理结果
、FMM3
处理结果
、EPM
处理结果分别输入
Concat
函数中进行拼接，然后依次经过
3*3
‑1卷积和
Sigmoid
函数处理，得到最终检测结果
。2.
如权利要求1所述的生物启发的轻量化边缘检测方法，其特征在于：
ORFC Block1
模块
、ORFC Block2
模块
、
第一
ORFC Block3
模块
、
第二
ORFC Block3
模块结构一样；分别包括依次连接的卷积核为
K*K
的
ORFC
模块
、
第一
Base Layer
模块
、
第二
Base Layer
模块
、
第三
Base Layer
模块，输入结果先经过
ORFC
模块处理，变更通道数和尺寸后，依次经过第一
Base Layer
模块
、
第二
Base Layer
模块
、
第三
Base Layer
模块处理后，得到输出结果；或者分别包括依次连接的
Dres Layer
模块
、
第一
Base Layer
模块
、
第二
Base Layer
模块
、
第三
Base Layer
模块，输入结果先经过
Dres Layer
模块处理，变更通道数和尺寸后，依次经过第一
Base Layer
模块
、
第二
Base ...

【专利技术属性】
技术研发人员：林川，杨进林，黄思涵，张家佳，陈永亮，李福章，潘勇才，韦艳霞，
申请(专利权)人：广西科技大学，
类型：发明
国别省市：