一种基于YOLO的目标单边缘检测方法技术

本发明专利技术提供了一种基于YOLO的目标单边缘检测方法，原始图像输入主干网络，原始图像经过多层CBS模块进行卷积处理，得到初步特征图库，初步特征图库输入颈部结构的输入端，进行多尺度交叉融合，得到最终特征图库，最终特征图库Proto模块，得到原生分割特征图，将原生掩码、掩码系数和原生分割特征图输入掩码处理模块，得到单边缘轮廓图像。本发明专利技术基于YOLOV8n模型设置的YOLOV8n‑seg模型，在实际调度过程中，基于YOLOV8n模型和YOLOV8n‑seg模型是同时调用，通过双模型提高特定单边缘的检测的精度。双模型的适用性高，在要求超高精度的工业生产线上，提供精准的测量数据。

【技术实现步骤摘要】

本专利技术属于计算机视觉，具体涉及一种基于yolo的目标单边缘检测方法。

技术介绍

1、随着工业自动化和智能化的不断推进，特别是在精密机器人、自动化质量检测和制造领域，对边缘检测技术的精度和可靠性要求不断提高。传统的边缘检测算法，如canny、sobel和prewitt，虽然在早期应用中取得了一定成功，但在复杂的实际应用场景中，这些方法往往受到噪声和光照变化的影响，从而导致检测精度不足。为了克服这些限制，研究者们开始采用基于深度学习的方法，例如卷积神经网络(cnn)。这些方法通过大量训练数据学习边缘检测特征，能够在多变环境中实现更为准确和稳定的边缘检测。

2、在精密测量领域，边缘检测不仅需要识别物体的轮廓，还需要以极高的精度完成任务，例如测量微小零件的尺寸或检测产品的微小缺陷。此时，传统边缘检测算法由于其识别精度的限制，难以满足高精度需求。因此，基于深度学习的边缘检测算法，如基于深度卷积网络的hed(holi stic edge detection)算法，以及基于结构化学习的rcf(richerconvolutional features)算法本文档来自技高网...

【技术保护点】

1.一种基于YOLO的目标单边缘检测方法，其特征在于，基于YOLOV8n模型设置的YOLOV8n-seg模型，所述YOLOV8n-seg模型包括主干网络、颈部结构、检测头、Proto模块和掩码处理模块，所述主干网络包括多层CBS模块，所述颈部结构设有多个输入端和多个输出端；

2.根据权利要求1所述的一种基于YOLO的目标单边缘检测方法，其特征在于，所述多层CBS模块包括P1-CBS模块、P2-CBS模块、P3-CBS模块、P4-CBS模块和P5-CBS模块，所述CBS模块包括P1-CBS模块、P2-CBS模块、P3-CBS模块、P4-CBS模块和P5-CBS模块通过串联方式组...

【技术特征摘要】

1.一种基于yolo的目标单边缘检测方法，其特征在于，基于yolov8n模型设置的yolov8n-seg模型，所述yolov8n-seg模型包括主干网络、颈部结构、检测头、proto模块和掩码处理模块，所述主干网络包括多层cbs模块，所述颈部结构设有多个输入端和多个输出端；

2.根据权利要求1所述的一种基于yolo的目标单边缘检测方法，其特征在于，所述多层cbs模块包括p1-cbs模块、p2-cbs模块、p3-cbs模块、p4-cbs模块和p5-cbs模块，所述cbs模块包括p1-cbs模块、p2-cbs模块、p3-cbs模块、p4-cbs模块和p5-cbs模块通过串联方式组合。

3.根据权利要求2所述的一种基于yol0的目标单边缘检测方法，其特征在于，所述p1-cbs模块为输入端，所述p3-cbs模块、p4-cbs模块和p5-cbs模块均设有输入端p。

4.根据权利要求1所述的一种基于yolo的目标单边缘检测方法，其特征在于，所述颈部结构为pan+fpn结构，所述颈部结构设有3个所述输入端和3个所述输出端。

5.根据权利...

【专利技术属性】
技术研发人员：赵韦人，张志豪，黄明东，
申请(专利权)人：广东丰鑫智能科技有限公司，
类型：发明
国别省市：