CN110674669A

CN110674669A - 一种复杂背景下的特定圆识别方法

Info

Publication number: CN110674669A
Application number: CN201910185901.5A
Authority: CN
Inventors: 童哲铭; 陈鑫; 童水光; 唐宁; 余跃
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2019-03-12
Filing date: 2019-03-12
Publication date: 2020-01-10
Anticipated expiration: 2039-03-12
Also published as: CN110674669B

Abstract

本发明公开了一种复杂背景下的特定圆识别方法，包括预处理阶段和使用阶段。本发明通过传统Hough变换结合深度学习，提高了圆检测在复杂背景下识别的效率和准确率，具有好的抗干扰性，且背景越复杂，效率提升和抗干扰性比传统的Hough变换方法表现越好。本发明预处理阶段不消耗实际中运行检测识别圆的时间，实际中运行检测仅通过训练好的模型即可使用，而且提高了检测效率。

Description

一种复杂背景下的特定圆识别方法

技术领域

本发明属于工业自动化检测技术领域，具体涉及一种复杂背景下的特定圆识别方法。

背景技术

圆识别在工业自动化中有着广泛应用，如螺栓与螺栓孔的自动定位装配、汽车轮毂内外圆钢圈的去除毛刺等。目前圆识别主要采用Hough变换以及改进的Hough变换方法，但这些方法在不同程度上存在着检测效率慢、需提前进行参数调试确定阈值、对环境光线要求高、复杂背景下效果急剧变差等缺点，而且它们只能识别一张图片中相同属性的圆，无法区分识别出特定特征的圆。因此，研究设计复杂环境下的特定圆识别方法尤为关键。

目前针对圆识别现有技术如下：(1)以中国专利201410594409.0为例，通过投票机制的梯度加速方法在所有候选圆选出概率最大的圆，但由于多次投票，这种方法在复杂背景下的计算量会很大，占用内存空间。(2)以中国专利201610762528.1为例，通过预先抽取三个点得到圆的参数，然后验证其它点是否在圆上，如果点数量小于设置的阈值，则再重新获取三个点，这种方法仅通过三个点确定参数，不能确保所有圆都识别，而且检测过程中需要手动设置调整阈值。

发明内容

本发明所要解决的技术问题是提供一种复杂背景下的特定圆识别方法，通过建立复杂背景中包含特定圆的数据集，采用传统的Hough变换或改进的Hough变换方法识别出一张图片中的所有圆，然后再人工筛选出这些圆中的特定圆，并利用深度学习方法训练数据集得到模型，最终将训练得到的模型用于复杂背景下的特定圆检测。

所述的一种复杂背景下的特定圆识别方法，包括预处理阶段和使用阶段。

进一步地，预处理阶段包括如下步骤：

步骤1：制作数据集，数据集可由摄像头、扫描仪等采集图像设备采集，也可由网络上的图片结合代码合成，生成数据集中应包括需要检测的指定特征圆、干扰圆和干扰三角形，数据集的背景应互不相同，数据集每张图片需进行序列编号；

步骤2：依次对数据集的每张图片进行二值化和边缘检测处理；

步骤3：设定Hough变换所需要参数，针对步骤2得到的图片基于Hough变换或改进的Hough变换进行圆识别，得到识别出的每个圆圆心位置和半径大小，以此标记出每个圆的外轮廓；

步骤4：针对步骤3得到的图片进行人工圆筛选，保留指定特征的圆，去除不需要的圆；

步骤5：针对步骤4得到的特定的圆进行单一颜色填充，生成精准特定圆的标注数据集；

步骤6：基于深度学习训练方法将原始数据集联合步骤5得到的一一对应的标注数据集进行训练，得到能识别指定特征圆的特定圆识别模型。

进一步地，使用阶段包括如下步骤：

步骤1：获取包含待检测特定圆且未经预处理阶段深度学习训练过的图片；

步骤2：利用预处理阶段得到的特定圆识别模型对步骤1的包含待检测特定圆的图片进行圆识别，得到分割出的特定圆的图片；

步骤3：对步骤2得到的图片进行边缘检测，得到圆的轮廓和圆的参数；

步骤4：将得到的圆轮廓放在原图片上，从而生成结果。

进一步地，预处理阶段的步骤3设定Hough变换所需要参数应为:搜索候选圆半径R范围、半径增加步长、角度增加步长和超参数阈值百分比percent；搜索候选圆半径R需满足1≤R≤min(length/2,width/2),其中length为图片高度，width为图片宽度，min表示取较小值；超参数阈值百分比percent范围为0～1。

进一步地，预处理阶段的步骤6中深度学习训练方法采用的是Deeplabv3+方法，Deeplabv3+方法是一种深度学习图像实例分割方法，从而分割出指定特征的圆。

本发明的有益效果是：

(1)本发明的一种复杂背景下的特定圆识别方法，通过传统Hough变换结合深度学习，提高了圆检测在复杂背景下识别的效率和准确率，具有好的抗干扰性，且背景越复杂，效率提升和抗干扰性比传统的Hough变换方法表现越好。

(2)本发明分为预处理阶段和使用阶段，预处理阶段不消耗实际中运行检测识别圆的时间，实际中运行检测仅通过训练好的模型即可使用，且提高了检测效率。

(3)本发明对于待检测的图片的光线环境、明暗、背景干扰物的影响没有要求，这对于具有长时间运行、连续检测特点的工业自动化检测具有很高的检测质量保证。

(4)本发明能够识别特定的圆，相较于传统的Hough变换只能检测一幅图片中的所有圆或手动限制圆的参数从而检测相同属性的圆，本发明通过传统的Hough变换经过人工筛选再通过深度学习训练后，可以自动识别特定的圆，能够做到传统的Hough变换不能做到的结果。

附图说明

图1为本发明流程图。

图2为本发明实施例中数据集其中一张图片的灰度图。

图3为本发明实施例中基于Canny算子得到的边缘检测图。

图4为本发明实施例中待人工筛选的Hough变换检测圆图。

图5为本发明实施例中单一颜色填充标注图。

图6为本发明实施例中传统Hough方法得到的圆检测图。

图7为本发明实施例中本发明的方法得到的特定圆检测图。

具体实施方式

以下结合附图以识别圆环内两两对称的四个特定圆为具体实施案例对本发明的技术方案做进一步详细说明，应当指出的是，具体实施方式只是对本发明的详细说明，不应视为对本发明的限定。

如图所示，本发明的一种复杂背景下的特定圆识别方法，包括预处理阶段和使用阶段；

作为一种优选的方式，预处理阶段包括如下步骤：

步骤1：制作数据集。数据集可由摄像头、扫描仪等图像采集设备采集，也可由网络上的图片结合代码合成，本实施例中数据集采用网络上随机选取的2878张图片作为背景图片，并在每张背景图片中生成：一个圆环和四个特定圆、干扰圆和干扰三角形，其中圆环位置随机、半径大小随机、颜色和透明度随机，四个特定圆之间两两对称、颜色和透明度随机、半径大小随机但不能超出圆环外部，干扰圆的半径与四个对称特定圆相同但位置、数量和颜色随机；本实施例中得到的数据集共2878张图片，对数据集每张图片从1到2878进行序列编号，以下步骤操作以数据集的某一张图片为例，对这张图片进行灰度处理，得到如图2为所示的的灰度图。

步骤2：对步1得到的灰度图进行二值化处理；并基于Canny算子进行边缘检测处理，得到边缘检测二值化图片，如图3所示。

步骤3：设定Hough变换参数，针对步骤2得到的图片基于Hough变换或改进的Hough变换进行圆识别；本实施例中采用Hough变换进行圆识别，得到识别出的每个圆圆心位置和半径大小，以此标记出每个圆的外轮廓，如图4所示。

步骤4：针对步骤3得到的图片进行人工圆筛选，保留要识别圆环内的对称四个特定圆，去除不需要的圆。

步骤5：针对步骤4得到的特定的圆进行单一颜色填充，本实施例中填充为红色，其RGB值为(255,0,0)；其余背景填充为黑色，其RGB值为(0,0,0)；得到精准圆环内两两对称的四个特定圆的标注数据集，如图5所示。

步骤6：基于深度学习训练方法将原始数据集联合步骤5得到的对应的标注数据集进行训练，如图2对应的标注图片为图5，深度学习训练后得到能够在复杂背景下识别圆环内四个两两对称特定圆的特定圆识别模型。作为一种优选的方式，使用阶段包括如下步骤：

步骤1：获取包含待检测特定圆且未经预处理阶段深度学习训练过的图片，如图7(a)所示。

步骤2：利用预处理阶段得到的特定圆识别模型对步骤1的图片进行圆识别，得到圆环内分割出的四个两两对称的特定圆的图片，此时识别出的内容不包含不需要的圆。

步骤3：对步骤2得到的图片基于Canny算子进行边缘检测，得到圆的轮廓和圆的参数。

步骤4：将得到的圆轮廓放在原图片上，从而生成结果，如图7(b)所示。作为一种优选的方式，本发明的一种复杂背景下的特定圆识别方法，本实施例中在预处理阶段的步骤3设定Hough变换所需要参数为：搜索候选圆半径R范围、半径增加步长、角度增加步长和超参数阈值百分比percent；搜索候选圆半径R设置为1≤R≤min(length/2,width/2),其中length为图片高度，width为图片宽度，min表示取较小值；半径增加步长设置为1、角度增加步长设置为0.1；超参数阈值百分比percent设置为0.75。

作为一种优选的方式，本发明预处理阶段的步骤6中深度学习训练方法采用的是Deeplabv3+方法，Deeplabv3+方法是一种深度学习图像分割方法，从而分割出指定特征的圆；本实施例中，Deeplabv3+深度学习训练方法划分训练数据集图片个数为2199张，验证集图片个数为569张，测试集图片个数为110张，训练步数为10万步。

为了验证本发明方法识别圆的准确率和能够识别特定的圆，用传统Hough方法得到的圆检测图，如图6所示；用本发明的方法得到的特定圆检测图，如图7所示。

用本发明的方法得到的特定圆检测的圆的参数如表1所示。

表1：本发明的方法得到圆的参数与真实值对比

综上所述，可以得出用传统Hough方法会识别出全部的圆，且有错圆和重复的圆；而本发明的方法能够识别圆环内两两对称的四个特定圆，并且识别出的圆参数的圆心位置和半径大小与真实值误差几乎为0，本发明的一种复杂背景下的特定圆识别方法识别准确率是较高的。

Claims

1.一种复杂背景下的特定圆识别方法，其特征在于，包括预处理阶段和使用阶段。

2.根据权利要求1所述的一种复杂背景下的特定圆识别方法，其特征在于，预处理阶段包括如下步骤：

步骤1：制作数据集，数据集可由摄像头、扫描仪等采集图像设备采集，也可由网络上的图片结合代码合成，生成数据集中包括需要检测的指定特征圆，数据集的背景互不相同，数据集每张图片进行序列编号；

3.根据权利要求1所述的一种复杂背景下的特定圆识别方法，其特征在于，使用阶段包括如下步骤：

步骤4：将得到的圆轮廓放在原图片上，从而生成结果。

4.根据权利要求2所述的一种复杂背景下的特定圆识别方法，其特征在于，预处理阶段的步骤3设定Hough变换所需要参数应为:搜索候选圆半径R范围、半径增加步长、角度增加步长和超参数阈值百分比percent；搜索候选圆半径R需满足1≤R≤min(length/2,width/2),其中length为图片高度，width为图片宽度，min表示取较小值；超参数阈值半分比percent范围为0～1。

5.根据权利要求2所述的一种复杂背景下的特定圆识别方法，其特征在于在于，预处理阶段的步骤6中深度学习训练方法采用的是Deeplabv3+方法，Deeplabv3+方法是一种深度学习图像实例分割方法，从而分割出指定特征的圆。