【技術實現步驟摘要】
本申請涉及復雜背景下物體尺寸圖像識別測量，特別涉及一種基于深度學習的復雜背景下物體尺寸測量方法及系統。
技術介紹
1、在物體加工過程中需要知道每個過程中對應的物體尺寸，比如生產厚板時需要根據鋼坯尺寸軋鋼，以確保生產的物體尺寸達到標準。傳統的測量方式，是使用游標卡尺等測量工具對待檢測物體進行手工測量。但這種接觸式的人工測量方法的測量效率低，且在某些場景下無法接觸物體。
2、隨著人工智能和機器視覺技術的發展，出現了非接觸測量方法。通過拍攝待檢測物體的視覺圖像，運用圖像處理和人工智能技術測量待檢測物體尺寸。利用工業相機采集待檢測物體圖像，首先提取待檢測物體的邊緣輪廓，然后計算邊緣輪廓的坐標參數，最后結合相機的標定數據計算待檢測物體的物理尺寸。
3、目前基于深度學習的復雜背景下物體尺寸測量方法非常依賴于物體的背景信息，如果物體背景太過復雜，會影響到提取物體邊緣信息，背景信息也會提取出來，因此需要一種通過自主訓練自動忽略非目標物體的背景信息，只保留目標物體邊緣輪廓的方法避免背景信息被提取出來。
技術實現思路
1、本申請為解決現有的基于深度學習的復雜背景下物體尺寸測量方法中，提取物體邊緣信息時，背景信息也會提取出來的問題，一方面提供一種基于深度學習的復雜背景下物體尺寸測量方法，包括以下步驟：
2、對rcf模型進行訓練，得到當前場景下的所述rcf模型；
3、設置相機標定參數，用所述相機對待檢測物體進行拍攝，采集待檢測物體圖像；
4、將所
5、將所述粗輪廓邊緣圖進行處理得到所述待檢測物體的亞像素坐標點，根據所述亞像素坐標點得到所述待檢測物體的圖像長度和圖像寬度；
6、根據所述相機的標定參數以及所述圖像長度和圖像寬度，計算得出所述待檢測物體的物理長度和寬度。
7、在一種可行的實現方式中，所述對rcf模型進行訓練，得到當前場景下的所述rcf模型的步驟包括：
8、對樣品物體進行拍攝，采集樣品圖像；
9、對所述樣品圖像進行數據增強處理，通過標注軟件label對過經過數據增強處理后的所述樣品圖像進行標注，獲得標注樣本；
10、將所述標注樣本輸入到rcf模型中進行訓練，得到當前場景下的所述rcf模型。
11、在一種可行的實現方式中，所述對所述樣品圖像進行數據增強處理的方法包括：馬賽克增強方法、混合增強法、隨機水平翻轉法。
12、在一種可行的實現方式中，所述通過標注樣本對rcf模型進行訓練，得到當前場景下的rcf模型的步驟包括：
13、將所述標注樣本按照3:1:1的比例分成訓練集、驗證集和測試集；
14、將所述訓練集和所述驗證集送入到所述rcf模型中進行訓練，得到完成訓練后的所述rcf模型；
15、通過測試集對所述完成訓練后的rcf模型的泛化能力進行評估，評估合格后得到當前場景下的所述rcf模型。
16、在一種可行的實現方式中，將所述訓練集和所述驗證集送入到所述rcf模型中進行訓練時，所述rcf模型訓練設置參數為：訓練輪次200次，學習率：1e-6，學習率步長：3，學習率衰減：0.6。
17、在一種可行的實現方式中，所述將所述粗輪廓邊緣圖進行處理得到對應的亞像素坐標點的步驟包括：
18、將所述粗輪廓邊緣圖二值化，并根據所述粗輪廓邊緣圖中輪廓的面積大小，把所述粗輪廓邊緣圖的異常輪廓進行消除；
19、采用非極大值抑制和雙閾值處理，細化所述粗輪廓邊緣圖中的所述待檢測物體的邊緣輪廓，得到細輪廓邊緣圖；
20、對所述細輪廓邊緣圖的邊緣點采用多項式插值算法，計算達到所述待檢測物體的亞像素坐標。
21、在一種可行的實現方式中，所述雙閾值處理過程中，設置最大閾值為0.25和最小閾值為0.2。
22、在一種可行的實現方式中，所述對所述細輪廓邊緣圖的邊緣點采用多項式插值算法，計算達到所述待檢測物體的亞像素坐標的步驟包括：
23、通過opencv的findcontours函數找出所述細輪廓邊緣圖中所述待檢測物體的輪廓；
24、根據所述輪廓找出所述待檢測物體的四個坐標點；
25、根據所述四個坐標點，采用二次拉格朗日插值公式，計算對應的亞像素坐標點。
26、在一種可行的實現方式中，根據所述亞像素坐標點得到所述待檢測物體的圖像長度和圖像寬度的步驟包括：
27、獲得所述待檢測物體在x方向上的亞像素坐標點為(xmin，ym)，(xmax，yn)，得到所述待檢測物體的圖像長度l；
28、
29、獲得所述待檢測物體在y方向上的亞像素坐標點為(xm，ymin)，(xn，ymax)，得到所述待檢測物體的圖像寬度w；
30、
31、式中，xmin為四個亞像素坐標點的最小橫坐標，ym為具有最小橫坐標的亞像素坐標點對應的縱坐標；xmax為四個亞像素坐標點的最大橫坐標，yn為具有最大橫坐標的亞像素坐標點對應的縱坐標；ymin為四個亞像素坐標點的最小縱坐標，xm為具有最小縱坐標的亞像素坐標點對應的橫坐標；ymax為四個亞像素坐標點的最大縱坐標，xn為具有最大縱坐標的亞像素坐標點對應的橫坐標；l為所述待檢測物體的圖像長度，w為所述待檢測物體的圖像寬度。
32、本申請另一方面提供一種基于深度學習的復雜背景下物體尺寸測量系統，所述系統用于實現上述中任意一項所述的一種基于深度學習的復雜背景下物體尺寸測量方法，包括：圖像采集模塊，圖像預處理模塊，物體尺寸檢測模塊和物體尺寸計算模塊；所述圖像采集模塊，圖像預處理模塊，物體尺寸檢測模塊和物體尺寸計算模塊之間均為通訊連接。
33、所述圖像采集模塊，用于對所述待檢測物體進行拍照，采集所述待檢測物體圖像；
34、所述圖像預處理模塊，用于對所述待檢測物體圖像進行數據增強和標注；
35、所述待檢測物體尺寸檢測模塊，用于檢測出所述待檢測物體圖像的所述粗輪廓邊緣圖，對所述粗輪廓邊緣圖進行處理，得到所述待檢測物體的圖像長度和圖像寬度；
36、所述待檢測物體尺寸計算模塊，用于根據所述待檢測物體的圖像長度和圖像寬度，計算所述待檢測物體的物理尺寸。
37、本申請提供一種基于深度學習的復雜背景下物體尺寸測量方法及系統，針對復雜背景下的物體測量問題，通過對該背景下圖片樣本進行數據增強，可訓練出基于特定場景下的rcf模型，該方法利用深度神經網絡的自我學習能力，去除復雜背景的干擾，只提取待檢測的物體邊緣圖，經過二元多項式插值使物體具有亞像素精度，所以測量精度高。在得出僅包含目標物體的邊緣輪廓后，對該物體邊緣輪廓進行一系列處理，得出物體邊緣亞像素坐標，經過二元多項式插值使物體具有亞像素精度，不僅提高了物體尺寸測量精度，還增強了測量方法的適應性。
本文檔來自技高網...【技術保護點】
1.基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，所述對RCF模型進行訓練，得到當前場景下的所述RCF模型的步驟包括：
3.根據權利要求2所述的基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，所述對所述樣品圖像進行數據增強處理的方法包括：馬賽克增強方法、混合增強法、隨機水平翻轉法。
4.根據權利要求2所述的基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，所述通過標注樣本對RCF模型進行訓練，得到當前場景下的RCF模型的步驟包括：
5.根據權利要求4所述的基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，將所述訓練集和所述驗證集送入到所述RCF模型中進行訓練時，所述RCF模型訓練設置參數為：訓練輪次200次，學習率：1e-6，學習率步長：3，學習率衰減：0.6。
6.根據權利要求1所述的基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，所述將所述粗輪廓邊緣圖進行處理得到對應的亞像素坐標點的步驟包括：p>
7.根據權利要求6所述的基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，所述雙閾值處理過程中，設置最大閾值為0.25和最小閾值為0.2。
8.根據權利要求6所述的基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，所述對所述細輪廓邊緣圖的邊緣點采用多項式插值算法，計算達到所述待檢測物體的亞像素坐標的步驟包括：
9.根據權利要求6所述的基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，根據所述亞像素坐標點得到所述待檢測物體的圖像長度和圖像寬度的步驟包括：
10.基于深度學習的復雜背景下物體尺寸測量系統，所述系統用于實現權利要求1-9中任意一項所述的一種基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，包括：圖像采集模塊，圖像預處理模塊，物體尺寸檢測模塊和物體尺寸計算模塊；
...【技術特征摘要】
1.基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，所述對rcf模型進行訓練，得到當前場景下的所述rcf模型的步驟包括：
3.根據權利要求2所述的基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，所述對所述樣品圖像進行數據增強處理的方法包括：馬賽克增強方法、混合增強法、隨機水平翻轉法。
4.根據權利要求2所述的基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，所述通過標注樣本對rcf模型進行訓練，得到當前場景下的rcf模型的步驟包括：
5.根據權利要求4所述的基于深度學習的復雜背景下物體尺寸測量方法，其特征在于，將所述訓練集和所述驗證集送入到所述rcf模型中進行訓練時，所述rcf模型訓練設置參數為：訓練輪次200次，學習率：1e-6，學習率步長：3，學習率衰減：0.6。
6.根據權利要求1所...
【專利技術屬性】
技術研發人員：李建普，張胤，閆曉凱，李小東，趙傳領，單俊玲，王巖，
申請(專利權)人：山信軟件股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。