CN110648316B - 一种基于深度学习的钢卷端面边缘检测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的钢卷端面边缘检测方法，包括对深度卷积神经网络结构进行改进，分别对多尺度特征提取部分和多尺度特征融合部分进行改进，多尺度特征提取部分由五个不同尺度的特征提取模块组成，多尺度特征融合部分主要由卷积层和反卷积层组成，进行图像采集，将采集后的图像送入深度卷积神经网络进行边缘检测，然后输出边缘检测结果；本发明通过对深度卷积神经网络进行改进，深度卷积神经网络从数据中自动学习特征，能够学习到忽略数字的边缘，只将钢卷的边缘给表示出来，具有更好的鲁棒性，检测效果好。

Description

一种基于深度学习的钢卷端面边缘检测方法

技术领域

本发明涉及工业视觉技术领域，具体涉及一种基于深度学习的钢卷端面边缘检测方法。

背景技术

钢卷端面具有极强的规律性纹理边缘特征，为了自动化检测钢卷端面缺损情况，则第一步需要检测钢卷端面的边缘，为后续缺损检测提供辅助信息。

现有技术中，基于传统图像处理的边缘检测算法往往都是从计算图像像素梯度角度出发，采用各种不同的边缘检测算子，通过卷积滤波的方式对图像进行滑动窗口计算，其中最常用的就是canny边缘检测算法。然而应用在钢卷端面的边缘检测领域，基于传统图像处理的算法得到的边缘图像往往会具有很多噪声点，比如光照产生的高光、阴影，钢卷表面由于氧化产生的不平滑部分等，都会对传统算法检测到的边缘图像产生很大的干扰，且传统的边缘检测的损失函数会采用逐像素的二值交叉熵损失函数，然后进行逐像素损失值求和得到最终的损失值，即是

由于边缘线条所占的像素往往很少，背景像素则特别多，两类的类别失衡，会导致网络训练的过程中容易陷入局部极值，导致计算结果精确度较低。

发明内容

本发明的目的在于克服现有技术中存在的上述问题，提供一种基于深度学习的钢卷端面边缘检测方法，通过对深度卷积神经网络进行改进，深度卷积神经网络从数据中自动学习特征，能够学习到忽略数字的边缘，只将钢卷的边缘给表示出来，具有更好的鲁棒性，检测效果好。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：

一种基于深度学习的钢卷端面边缘检测方法，包括以下步骤：

S1，对深度卷积神经网络结构进行改进，分别对多尺度特征提取部分和多尺度特征融合部分进行改进；

S101，多尺度特征提取部分由五个不同尺度的特征提取模块组成，每个模块包含两到三个卷积核为3×3的卷积层以及一个核为2×2、步长为2的最大值池化层，第一个尺度特征提取模块包含两个卷积层，卷积滤波器数量为64，第二个尺度特征提取模块包含两个卷积层，卷积滤波器数量为128，后续三个尺度特征提取模块均包含三个卷积层，卷积滤波器数量随着尺度变化依次乘2，每经过一次池化层，则特征图的尺度会减半，所以5个特征提取模块一共输出了5种不同尺度的特征图；

S102，多尺度特征融合部分主要由卷积层和反卷积层组成，对每个尺度的特征图，首先会经过一个1×1的卷积层，然后会经过一个反卷积层，反卷积层的效果主要是对特征图进行上采样，使得不同尺度的特征图最终都能够变为和输入图像相同大小的特征图，得到5个相同尺寸的特征图之后，将这5个特征图拼接到一起，然后再经过一个1×1的卷积层，这个卷积层的作用是自动学习不同尺度特征图的权重，最终将5个特征图进行加权求和得到网络的输出；

S2，进行图像采集，将采集后的图像送入深度卷积神经网络进行边缘检测，然后输出边缘检测结果。

进一步地，所述边缘检测步骤如下：

输入训练样本，对训练样本进行多尺度特征提取，得到多个尺度特征图，多尺度特征融合部分对多个尺度特征图进行融合，然后进行类别损失函数的计算，类别损失函数计算公式如下：

其中，β为背景像素的个数除以总像素的个数。

本发明的收益效果是：

1、本发明深度卷积神经网络通过从数据中自动学***滑部分均有更好的检测效果。

2、本发明检测到的边缘图像更加符合语义，传统算法根据梯度变化来检测边缘，对于图像中像素突变的地方都会产生响应，然而深度卷积神经网络则能够根据周围的图像信息来考虑某个点是否属于边缘，比如钢卷端面用喷漆写有数字的情况，传统算法是无法将数字的边缘和钢卷的边缘区分开来，而深度神经网络则能够学习到忽略数字的边缘，只将钢卷的边缘给表示出来。

3、本发明能够充分考虑不同尺度下的边缘特征，比如在较大的尺度时，局部边缘特征会更明显，而在较小的尺度时，全局的边缘则会更具有整体性，更容易被网络识别为一个整体，而多尺度特征图的融合则将不同尺度特征图的优势都利用了起来，最终能得到更好的边缘检测结果。

4、本发明通过对损失函数进行改进，如果仅仅使用原始的二值交叉熵损失函数，则网络在训练过程中很容易陷入局部极值点，比如网络可能会倾向于输出全都为非边缘，这是因为在样本中边缘像素占总像素的比例特别小，网络输出全都为非边缘也能够获得一个较小的损失值，而采用了类别平衡的损失函数之后则不再存在这个问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明整体流程示意图；

图2为本发明边缘检测原理示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1-2所示，本发明为一种基于深度学习的钢卷端面边缘检测方法，包括以下步骤：

S1，对深度卷积神经网络结构进行改进，分别对多尺度特征提取部分和多尺度特征融合部分进行改进；

S101，多尺度特征提取部分由五个不同尺度的特征提取模块组成，每个模块包含两到三个卷积核为3×3的卷积层以及一个核为2×2、步长为2的最大值池化层，第一个尺度特征提取模块包含两个卷积层，卷积滤波器数量为64，第二个尺度特征提取模块包含两个卷积层，卷积滤波器数量为128，后续三个尺度特征提取模块均包含三个卷积层，卷积滤波器数量随着尺度变化依次乘2，每经过一次池化层，则特征图的尺度会减半，所以5个特征提取模块一共输出了5种不同尺度的特征图；

S102，多尺度特征融合部分主要由卷积层和反卷积层组成，对每个尺度的特征图，首先会经过一个1×1的卷积层，然后会经过一个反卷积层，反卷积层的效果主要是对特征图进行上采样，使得不同尺度的特征图最终都能够变为和输入图像相同大小的特征图，得到5个相同尺寸的特征图之后，将这5个特征图拼接到一起，然后再经过一个1×1的卷积层，这个卷积层的作用是自动学习不同尺度特征图的权重，最终将5个特征图进行加权求和得到网络的输出；

S2，进行图像采集，将采集后的图像送入深度卷积神经网络进行边缘检测，然后输出边缘检测结果。

其中，边缘检测步骤如下：

输入训练样本，对训练样本进行多尺度特征提取，得到多个尺度特征图，多尺度特征融合部分对多个尺度特征图进行融合，然后进行类别损失函数的计算，类别损失函数计算公式如下：

其中，β为背景像素的个数除以总像素的个数。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (1)

1.一种基于深度学习的钢卷端面边缘检测方法，其特征在于，包括以下步骤：

S1，对深度卷积神经网络结构进行改进，分别对多尺度特征提取部分和多尺度特征融合部分进行改进；

S101，多尺度特征提取部分由五个不同尺度的特征提取模块组成，每个模块包含两到三个卷积核为3×3的卷积层以及一个核为2×2、步长为2的最大值池化层，第一个尺度特征提取模块包含两个卷积层，卷积滤波器数量为64，第二个尺度特征提取模块包含两个卷积层，卷积滤波器数量为128，后续三个尺度特征提取模块均包含三个卷积层，卷积滤波器数量随着尺度变化依次乘2，每经过一次池化层，则特征图的尺度会减半，所以5个特征提取模块一共输出了5种不同尺度的特征图；

S102，多尺度特征融合部分主要由卷积层和反卷积层组成，对每个尺度的特征图，首先会经过一个1×1的卷积层，然后会经过一个反卷积层，得到5个相同尺寸的特征图之后，将这5个特征图拼接到一起，然后再经过一个1×1的卷积层，这个卷积层的作用是自动学习不同尺度特征图的权重，最终将5个特征图进行加权求和得到网络的输出；

S2，进行图像采集，将采集后的图像送入深度卷积神经网络进行边缘检测，然后输出边缘检测结果；

所述边缘检测步骤如下：

输入训练样本，对训练样本进行多尺度特征提取，得到多个尺度特征图，多尺度特征融合部分对多个尺度特征图进行融合，然后进行类别损失函数的计算，类别损失函数计算公式如下：

其中，β为背景像素的个数除以总像素的个数。

Images