CN112561982A - 一种基于vgg-16的高精度光斑中心检测方法 - Google Patents

一种基于vgg-16的高精度光斑中心检测方法 Download PDF

Info

Publication number
CN112561982A
CN112561982A CN202011534032.1A CN202011534032A CN112561982A CN 112561982 A CN112561982 A CN 112561982A CN 202011534032 A CN202011534032 A CN 202011534032A CN 112561982 A CN112561982 A CN 112561982A
Authority
CN
China
Prior art keywords
spot
light spot
center detection
vgg
laser
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011534032.1A
Other languages
English (en)
Inventor
潘新建
张崇富
邓春健
杨亮
吴洁滢
李奇
李志莉
徐世祥
王婷瑶
温贺平
高庆国
刘凯
易子川
迟锋
刘黎明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China Zhongshan Institute
Original Assignee
University of Electronic Science and Technology of China Zhongshan Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China Zhongshan Institute filed Critical University of Electronic Science and Technology of China Zhongshan Institute
Priority to CN202011534032.1A priority Critical patent/CN112561982A/zh
Publication of CN112561982A publication Critical patent/CN112561982A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Abstract

本发明公开了一种基于VGG‑16的高精度光斑中心检测方法，是通过获取标注激光光斑图后制作光斑数据集，以光斑数据集将光斑中心检测神经网络训练收敛为光斑中心检测模型，将需要进行中心检测的待测光斑图输入至光斑中心检测模型内以获取归一化坐标，最终测算出待测光斑图的中心坐标位置，整个方法的实现与应用都极为便捷有效，能快速地对光斑图进行高精度的光斑中心检测，且具有抗干扰性强、普适性高的优点。

Description

一种基于VGG-16的高精度光斑中心检测方法
技术领域
本发明涉及一种光斑中心检测方法，特别是一种基于VGG-16的高精度光斑中心检测方法。
背景技术
激光光斑中心的检测定位在工业测量领域有着广泛而重要的应用，如何准确检测激光光斑中心是一项关键技术，当前的激光光斑中心检测技术有重心法、插值法、加权插值法等，但这些方法均存在不同程度的抗干扰能力差、检测精度低的问题。
发明内容
为了克服现有技术的不足，本发明提供一种基于VGG-16的高精度光斑中心检测方法。
本发明解决其技术问题所采用的技术方案是：
一种基于VGG-16的高精度光斑中心检测方法，包括以下步骤：
（1）、获取激光光斑图并进行中心标注，标注完成的激光光斑图在进行归一化后制作为光斑数据集；
（2）、基于VGG-16构建光斑中心检测神经网络；
（3）、对光斑数据集进行数据增强后输入至光斑中心检测神经网络，将光斑中心检测神经网络训练收敛为光斑中心检测模型；
（4）、将需要进行中心检测的待测光斑图归一化后输入至光斑中心检测模型内，光斑中心检测模型输出归一化坐标；
（5）、将归一化坐标结合待测光斑图进行测算后，获取待测光斑图的中心坐标位置。
所述步骤2的光斑中心检测神经网络由依次相连的十四个卷积层和一个全连接层构成，最后一卷积层的尺寸为1x1，全连接层的神经元个数为2，且全连接层采用的激活函数为线性激活函数。
所述卷积层的通道数为64。
所述步骤3采用的损失函数为SmooohL1，采用的优化策略为随机梯度下降法。
所述步骤1的激光光斑图获取的变化因素包括场景、入射角度和激光器。
所述步骤3的数据增强是对光斑数据集的激光光斑图进行包括角度旋转、翻转、翻转后角度旋转、模糊增强以及亮暗调节的处理，原始的激光光斑图在进行数据增强后均进行归一化，形成新的激光光斑图一并制作为光斑数据集。
本发明的有益效果是：本发明通过获取标注激光光斑图后制作光斑数据集，以光斑数据集将光斑中心检测神经网络训练收敛为光斑中心检测模型，将需要进行中心检测的待测光斑图输入至光斑中心检测模型内以获取归一化坐标，最终测算出待测光斑图的中心坐标位置，整个方法的实现与应用都极为便捷有效，能快速地对光斑图进行高精度的光斑中心检测，且具有抗干扰性强、普适性高的优点。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的方法流程图；
图2是光斑中心检测神经网络的结构示意图。
具体实施方式
参照图1，一种基于VGG-16的高精度光斑中心检测方法，包括以下步骤：
（1）、获取激光光斑图并进行中心标注，激光光斑图获取的变化因素包括场景、入射角度和激光器，通过采用不同的激光器、入射角度以及场景而获取多类型的激光光斑图，使得激光光斑图在制作成数据集所训练出的模型具有极高的抗干扰能力及泛化能力，中心标注的目的是令光斑中心检测模型具有高精度的特性，标注的方法主要是人工找出激光光斑图的光斑中心进行标注(即光斑在图像中的x，y坐标)，标注完成的激光光斑图在进行归一化后制作为光斑数据集，作为模型训练的监督信息。
（2）、基于VGG-16构建光斑中心检测神经网络，参照图2，光斑中心检测神经网络由依次相连的十四个卷积层（前十三个卷积层中夹杂着五个池化层MAXPOOL，与VGG-16相同）和一个全连接层构成，而VGG-16的网络结构是由十三个卷积层和三个全连接层构成，与VGG-16网络的主要区别在于光斑中心检测神经网络的十三个卷积层后增加了一个卷积层，这最后一卷积层的尺寸为1x1，三个全连接层也改进为一个全连接层，全连接层的神经元个数为2，对应激光光斑在图像中坐标，且全连接层采用的激活函数为线性激活函数（本实施例采用的是双曲正切激活函数），替代原VGG-16的非线性激活函数Relu6，卷积层的通道数由512降为64,确保中心检测效果最佳的情况下有效地降低运算量。
（3）、对光斑数据集进行数据增强后输入至光斑中心检测神经网络，将光斑中心检测神经网络训练收敛为光斑中心检测模型，激光光斑中心检测是一个回归问题，因此训练采用的损失函数为SmooohL1，采用的优化策略为随机梯度下降法，数据增强是对光斑数据集的激光光斑图进行包括角度旋转、翻转、翻转后角度旋转、模糊增强以及亮暗调节的处理，原始的激光光斑图在进行数据增强后均进行归一化，形成新的激光光斑图一并制作为光斑数据集，这会使得训练出的光斑中心检测模型具有极高的普适性。
（4）、将需要进行中心检测的待测光斑图归一化后输入至光斑中心检测模型内，光斑中心检测模型输出归一化坐标；
（5）、将归一化坐标结合待测光斑图进行测算后，获取待测光斑图的中心坐标位置，主要是归一化坐标乘上待测光斑图的宽高即可获取待测光斑图的光斑中心坐标位置，因此，本发明方法的实现与应用都极为便捷有效，能快速地对光斑图进行高精度的光斑中心检测，且具有抗干扰性强、普适性高的优点。
以上的实施方式不能限定本发明创造的保护范围，专业技术领域的人员在不脱离本发明创造整体构思的情况下，所做的均等修饰与变化，均仍属于本发明创造涵盖的范围之内。

Claims (6)

1.一种基于VGG-16的高精度光斑中心检测方法，其特征在于它包括以下步骤：
（1）、获取激光光斑图并进行中心标注，标注完成的激光光斑图在进行归一化后制作为光斑数据集；
（2）、基于VGG-16构建光斑中心检测神经网络；
（3）、对光斑数据集进行数据增强后输入至光斑中心检测神经网络，将光斑中心检测神经网络训练收敛为光斑中心检测模型；
（4）、将需要进行中心检测的待测光斑图归一化后输入至光斑中心检测模型内，光斑中心检测模型输出归一化坐标；
（5）、将归一化坐标结合待测光斑图进行测算后，获取待测光斑图的中心坐标位置。
2.根据权利要求1所述的基于VGG-16的高精度光斑中心检测方法，其特征在于所述步骤2的光斑中心检测神经网络由依次相连的十四个卷积层和一个全连接层构成，最后一卷积层的尺寸为1x1，全连接层的神经元个数为2，且全连接层采用的激活函数为线性激活函数。
3.根据权利要求2所述的基于VGG-16的高精度光斑中心检测方法，其特征在于所述卷积层的通道数为64。
4.根据权利要求1所述的基于VGG-16的高精度光斑中心检测方法，其特征在于所述步骤3采用的损失函数为SmooohL1，采用的优化策略为随机梯度下降法。
5.根据权利要求1所述的基于VGG-16的高精度光斑中心检测方法，其特征在于所述步骤1的激光光斑图获取的变化因素包括场景、入射角度和激光器。
6.根据权利要求1所述的基于VGG-16的高精度光斑中心检测方法，其特征在于所述步骤3的数据增强是对光斑数据集的激光光斑图进行包括角度旋转、翻转、翻转后角度旋转、模糊增强以及亮暗调节的处理，原始的激光光斑图在进行数据增强后均进行归一化，形成新的激光光斑图一并制作为光斑数据集。
CN202011534032.1A 2020-12-22 2020-12-22 一种基于vgg-16的高精度光斑中心检测方法 Pending CN112561982A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011534032.1A CN112561982A (zh) 2020-12-22 2020-12-22 一种基于vgg-16的高精度光斑中心检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011534032.1A CN112561982A (zh) 2020-12-22 2020-12-22 一种基于vgg-16的高精度光斑中心检测方法

Publications (1)

Publication Number Publication Date
CN112561982A true CN112561982A (zh) 2021-03-26

Family

ID=75032262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011534032.1A Pending CN112561982A (zh) 2020-12-22 2020-12-22 一种基于vgg-16的高精度光斑中心检测方法

Country Status (1)

Country Link
CN (1) CN112561982A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114152189A (zh) * 2021-11-09 2022-03-08 武汉大学 一种基于前馈神经网络的四象限探测器光斑定位方法
CN117496584A (zh) * 2024-01-02 2024-02-02 南昌虚拟现实研究院股份有限公司 一种基于深度学习眼球追踪光斑检测方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050008212A1 (en) * 2003-04-09 2005-01-13 Ewing William R. Spot finding algorithm using image recognition software
US20070106416A1 (en) * 2006-06-05 2007-05-10 Griffiths Joseph J Method and system for adaptively controlling a laser-based material processing process and method and system for qualifying same
CN106152971A (zh) * 2016-07-28 2016-11-23 南京航空航天大学 机器视觉辅助下的激光三维扫描标示方法
US20170154425A1 (en) * 2015-11-30 2017-06-01 Pilot Al Labs, Inc. System and Method for Improved General Object Detection Using Neural Networks
CN109215013A (zh) * 2018-06-04 2019-01-15 平安科技（深圳）有限公司 自动骨龄预测方法、系统、计算机设备和存储介质
CN110347273A (zh) * 2019-07-12 2019-10-18 哈尔滨工业大学（威海） 基于激光的人机交互方法
CN110648303A (zh) * 2018-06-08 2020-01-03 上海市第六人民医院 眼底图像分析方法、计算机设备和存储介质
CN110930351A (zh) * 2018-09-20 2020-03-27 武汉光谷航天三江激光产业技术研究院有限公司 一种光斑检测方法、装置及电子设备
CN110929795A (zh) * 2019-11-28 2020-03-27 桂林电子科技大学 高速焊线机焊点快速识别与定位方法
CN111181671A (zh) * 2019-12-27 2020-05-19 东南大学 一种基于深度学习的下行信道快速重建方法
WO2020206861A1 (zh) * 2019-04-08 2020-10-15 江西理工大学 基于YOLO v3的针对交通枢纽关键物体的检测方法
CN111862035A (zh) * 2020-07-17 2020-10-30 平安科技（深圳）有限公司 光斑检测模型的训练方法、光斑检测方法、设备及介质
CN112561898A (zh) * 2020-12-22 2021-03-26 电子科技大学中山学院 一种基于卷积神经网络的光纤传感器光斑分析方法
CN114419140A (zh) * 2021-12-16 2022-04-29 上海市特种设备监督检验技术研究院 一种轨道激光测量装置光斑中心的定位算法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050008212A1 (en) * 2003-04-09 2005-01-13 Ewing William R. Spot finding algorithm using image recognition software
US20070106416A1 (en) * 2006-06-05 2007-05-10 Griffiths Joseph J Method and system for adaptively controlling a laser-based material processing process and method and system for qualifying same
US20170154425A1 (en) * 2015-11-30 2017-06-01 Pilot Al Labs, Inc. System and Method for Improved General Object Detection Using Neural Networks
CN106152971A (zh) * 2016-07-28 2016-11-23 南京航空航天大学 机器视觉辅助下的激光三维扫描标示方法
CN109215013A (zh) * 2018-06-04 2019-01-15 平安科技（深圳）有限公司 自动骨龄预测方法、系统、计算机设备和存储介质
CN110648303A (zh) * 2018-06-08 2020-01-03 上海市第六人民医院 眼底图像分析方法、计算机设备和存储介质
CN110930351A (zh) * 2018-09-20 2020-03-27 武汉光谷航天三江激光产业技术研究院有限公司 一种光斑检测方法、装置及电子设备
WO2020206861A1 (zh) * 2019-04-08 2020-10-15 江西理工大学 基于YOLO v3的针对交通枢纽关键物体的检测方法
CN110347273A (zh) * 2019-07-12 2019-10-18 哈尔滨工业大学（威海） 基于激光的人机交互方法
CN110929795A (zh) * 2019-11-28 2020-03-27 桂林电子科技大学 高速焊线机焊点快速识别与定位方法
CN111181671A (zh) * 2019-12-27 2020-05-19 东南大学 一种基于深度学习的下行信道快速重建方法
CN111862035A (zh) * 2020-07-17 2020-10-30 平安科技（深圳）有限公司 光斑检测模型的训练方法、光斑检测方法、设备及介质
CN112561898A (zh) * 2020-12-22 2021-03-26 电子科技大学中山学院 一种基于卷积神经网络的光纤传感器光斑分析方法
CN114419140A (zh) * 2021-12-16 2022-04-29 上海市特种设备监督检验技术研究院 一种轨道激光测量装置光斑中心的定位算法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HAOYUAN LI等: "Beam Detection Based on Machine Learning Algorithms", 《STATISTICS AND COMPUTING》 *
MATSILELE MABASO等: "Spot Detection in Microscopy Images using Convolutional Neural Network with Sliding-Window Approach", 《PROCEEDINGS OF THE 11TH INTERNATIONAL JOINT CONFERENCE ON BIOMEDICAL ENGINEERING SYSTEMS AND TECHNOLOGIES (BIOSTEC 2018)》 *
NAM-DUONG DUONG等: "xyzNet: Towards Machine Learning Camera Relocalization by Using a Scene Coordinate Prediction Network", 《2018 IEEE INTERNATIONAL SYMPOSI。UM ON MIXED AND AUGMENTED REALITY ADJUNCT (ISMAR-ADJUNCT)》 *
张璟: "基于卷积神经网络的人脸表情识别研究", 《电脑知识与技术》 *
桂金瑶等: "那神经网络的激光三角位移传感器光斑自动定位", 《激光杂志》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114152189A (zh) * 2021-11-09 2022-03-08 武汉大学 一种基于前馈神经网络的四象限探测器光斑定位方法
CN117496584A (zh) * 2024-01-02 2024-02-02 南昌虚拟现实研究院股份有限公司 一种基于深度学习眼球追踪光斑检测方法及装置
CN117496584B (zh) * 2024-01-02 2024-04-09 南昌虚拟现实研究院股份有限公司 一种基于深度学习眼球追踪光斑检测方法及装置

Similar Documents

Publication Publication Date Title
CN110543878B (zh) 一种基于神经网络的指针仪表读数识别方法
CN101424520B (zh) 物件曲面的局部轮廓检测方法
CN102175261B (zh) 一种基于自适应标靶的视觉测量系统及其标定方法
CN109978901B (zh) 一种快速、精确的圆形检测和圆心定位方法
CN112561982A (zh) 一种基于vgg-16的高精度光斑中心检测方法
CN109493389B (zh) 一种基于深度学习的相机标定方法及系统
CN107064170A (zh) 一种检测手机外壳轮廓度缺陷方法
CN103400373B (zh) 相机检校控制场人工标志像点坐标自动识别定位方法
CN113267258B (zh) 红外测温方法、装置、设备、智能巡检机器人及存储介质
CN111369607B (zh) 一种基于图片解析的预制构件拼装匹配方法
CN108985337A (zh) 一种基于图像深度学习的产品表面划痕检测方法
CN102032875A (zh) 一种基于图像处理的电缆护套厚度测量方法
CN114323543B (zh) 一种提高压敏漆试验效率的方法
CN108613630A (zh) 基于图像处理技术的两线型管水准器气泡偏移量测量方法
CN111401358A (zh) 一种基于神经网络的仪表表盘校正方法
CN111383281A (zh) 一种基于rbf神经网络的摄像机标定方法
CN109458955B (zh) 基于平面度约束的离轴圆条纹投影测量零相位点求解方法
CN109115127A (zh) 一种基于贝塞尔曲线的亚像素峰值点提取算法
CN117152727A (zh) 一种用于巡检机器人的指针式仪表自动读数方法
CN116385292A (zh) 一种IMU辅助的LiDAR动态点云剔除方法
CN113516766B (zh) 一种基于神经网络算法的独立坐标系参数分析方法及系统
CN115661446A (zh) 基于深度学习的指针式仪表示数自动读取系统及方法
CN112414316B (zh) 一种应变片敏感栅尺寸参数测量方法
CN108010076A (zh) 一种面向密集工业棒材图像检测的端面外观建模方法
CN110411380B (zh) 基于小波包纹理分析的非接触式表面粗糙度测量方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination