CN112819823B - 一种面向家具板材的圆孔检测方法、系统及装置 - Google Patents

一种面向家具板材的圆孔检测方法、系统及装置 Download PDF

Info

Publication number
CN112819823B
CN112819823B CN202110227197.2A CN202110227197A CN112819823B CN 112819823 B CN112819823 B CN 112819823B CN 202110227197 A CN202110227197 A CN 202110227197A CN 112819823 B CN112819823 B CN 112819823B
Authority
CN
China
Prior art keywords
data
round hole
edge
round
hole
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.)
Active
Application number
CN202110227197.2A
Other languages
English (en)
Other versions
CN112819823A (zh
Inventor
陈翔
安小洁
叶东山
龚杰
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202110227197.2A priority Critical patent/CN112819823B/zh
Publication of CN112819823A publication Critical patent/CN112819823A/zh
Application granted granted Critical
Publication of CN112819823B publication Critical patent/CN112819823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明公开了一种面向家具板材的圆孔检测方法、系统及装置，该方法包括：对数据进行预处理；对预构建的RCF模型进行训练，得到边缘检测模型；对待测样本进行边缘粗提取，得到边缘概率图；选取像素点集；根据预设规则拟合计算圆心坐标、圆孔半径和方差并输出检测结果。该系统包括：预处理模块、边缘检测模型训练模块、边缘提取模块、像素点集选取模块和结果输出模块。该装置包括存储器以及用于执行上述面向家具板材的圆孔检测方法的处理器。通过使用本发明，能够在采样条件有限的情况下对包含复杂纹理的板材表面圆孔轮廓进行精准识别。本发明作为一种面向家具板材的圆孔检测方法、系统及装置，可广泛应用于计算机视觉边缘检测。

Description

一种面向家具板材的圆孔检测方法、系统及装置
技术领域
本发明涉及计算机视觉边缘检测领域，尤其涉及一种面向家具板材的圆孔检测方法、系统及装置。
背景技术
生产线上板材表面不同花色之间纹理结构复杂、圆孔轮廓质量参差不齐、孔槽轮廓存在破损和模糊，此外，在低成本的采样技术下采集到的图像呈相效果差，基于以上问题，目前使用的传统的边缘检测方法，如canny算子边缘检测、霍夫圆检测等方法，难以适应不同花色种类的样本，受到纹理、破损以及槽深的影响从而难以精确识别圆孔轮廓。
发明内容
为了解决上述技术问题，本发明的目的是提供一种面向家具板材的圆孔检测方法、系统及装置，兼顾板材的多种花色并在受到纹理、破损以及槽深的影响下精确识别圆孔轮廓。
本发明所采用的第一技术方案是：一种面向家具板材的圆孔检测方法，包括以下步骤：
构建数据集并对数据集中的数据进行预处理，得到预处理后的数据；
基于预处理后的数据对预构建的RCF模型进行训练，得到边缘检测模型；
获取待测样本并基于边缘检测模型对待测样本进行边缘粗提取，得到边缘概率图；
根据边缘概率图选取像素点集；
将最小二乘法与Ransac算法结合并用于所选取的像素点集的拟合，得到圆心坐标、圆孔半径信息。
进一步，所述构建数据集并对数据集中的数据进行预处理，得到预处理后的数据这一步骤，其具体包括：
获取圆孔数据集并基于训练完成的超分辨率模型对圆孔数据集进行超分辨率重构，得到重构后圆孔数据集；
将重构后圆孔数据集中的数据分别进行随机水平翻转、垂直翻转和随机剪切，得到扩充后圆孔数据集；
对扩充后圆孔数据集中的数据进行灰度值均衡化处理，得到预处理后的数据。
进一步，所述训练完成的超分辨率模型的训练步骤具体包括：
获取训练数据集并基于imresize函数对其中的部分圆孔数据进行缩小，得到低分辨率数据；
以没有缩小的圆孔数据为高分辨率数据；
将低分辨率数据作为图像输入，高分辨率数据作为标签输入对EDSR网络进行训练；
基于EDSR网络中的卷积层和残差块分别对图像进行处理，得到低层特征和高层特征；
基于EDSR网络中的反卷积层对低层特征和高层特征进行上采样处理并通过最后卷积层生成高分辨率输出；
基于均方误差的损失函数计算高分辨率输出和标签之间的误差，得到误差结果；
根据误差结果调节EDSR网络的参数，得到训练完成的超分辨率模型。
进一步，所述根据边缘概率图选取像素点集这一步骤，其具体包括：
根据边缘概率图的大小初步限定得到圆孔边缘限定区域；
根据边缘概率图中的纹理复杂程度将圆孔分为第一类圆孔和第二类圆孔；
对于第一类圆孔，将圆孔边缘限定区域中像素值大于160的像素点记为数据点；
对于第二类圆孔，将圆孔边缘限定区域中像素值大于235的像素点记为数据点；
将数据点整合，得到像素点集。
进一步，所述将最小二乘法与Ransac算法结合并用于所选取的像素点集的拟合，得到圆心坐标、圆孔半径信息这一步骤，其具体包括：
基于最小二乘法和选取的像素点集进行拟合计算，得到圆心坐标、圆孔半径和方差；
判断到方差小于预设值，以最小二乘法计算得到的圆心坐标和圆孔半径为检测结果；
判断到方差不小于预设值，根据预设规则重新进行像素点集的选取并基于Ransac算法重新计算圆心坐标及半径值，得到检测结果。
进一步，所述基于最小二乘法和选取的像素点集进行拟合计算，得到圆心坐标、圆孔半径和方差这一步骤，其具体包括：
根据像素点集计算坐标的均值，得到初始圆心坐标；
基于最小二乘法迭代计算得到圆心坐标；
在像素点集中选取像素点坐标并结合圆心坐标计算半径和对应的方差。
进一步，所述判断到方差不小于预设值，根据预设规则重新进行像素点集的选取并基于Ransac算法重新计算圆心坐标及半径值，得到检测结果这一步骤，其具体包括：
判断到方差不小于预设值，将圆孔边缘限定区域中像素值大于70的像素点记为数据点，得到新的像素点集；
计算新的数据点集中所有像素点到圆心坐标的距离，并得到平均半径、最大半径和最小半径；
根据平均半径、最大半径和最小半径进一步对像素点集进行限定，得到待拟合点；
将待拟合点输入到Ransac函数进行拟合，得到半径值和圆心坐标值；
以该半径值和圆心坐标值作为检测结果并输出检测结果。
本发明所采用的第二技术方案是：一种面向家具板材的圆孔检测系统，包括：
预处理模块，用于构建数据集并对数据集中的数据进行预处理，得到预处理后的数据；
边缘检测模型训练模块，基于预处理后的数据对预构建的RCF模型进行训练，得到边缘检测模型；
边缘提取模块，用于获取待测样本并基于边缘检测模型对待测样本进行边缘粗提取，得到边缘概率图；
像素点集选取模块，用于根据边缘概率图选取像素点集；
结果计算模块，基于将最小二乘法与Ransac算法结合并用于所选取的像素点集的拟合，得到圆心坐标、圆孔半径信息。
本发明所采用的第三技术方案是：一种面向家具板材的圆孔检测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种面向家具板材的圆孔检测方法。
本发明方法、系统及装置的有益效果是：本发明首先通过超分辨率网络对圆孔数据集图像进行超分辨率重构以提高图像分辨率，通过直方图均衡模糊圆孔内部纹理特征以弱化纹理特征在后续学习中的影响；进一步使用采集到的板材表面圆孔数据集对RCF网络进行有监督学习训练，使得RCF网络充分学习到板材表面圆孔边缘的相关特征；再利用训练好的网络模型对样本图片进行粗略边缘提取；最后使用最小二乘法和ransac算法相结合的圆拟合算法在RCF网络输出的基础上进行圆拟合，得到更为精准的圆孔轮廓。
附图说明
图1是本发明一种面向家具板材的圆孔检测方法的步骤流程图；
图2是本发明一种面向家具板材的圆孔检测系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1，本发明提供了一种面向家具板材的圆孔检测方法，该方法包括以下步骤：
构建数据集并对数据集中的数据进行预处理，得到预处理后的数据；
基于预处理后的数据对预构建的RCF模型进行有监督学习训练，得到边缘检测模型；
具体地，RCF网络是一个基于更丰富的卷积特征的边缘检测网络，融合各网络层以及各网络层之间的中间层特征，即更丰富的卷积特征来进行边缘检测，得到待测样本的边缘概率图。
对RCF网络结构调整：根据圆孔数据集的特性(纹理复杂，目标轮廓结构单一)以及实际调试结果对RCF网络结构进行调整，即在stage3、4、5的融合中去掉conv3-3，conv4-3，conv5-3的信息；
RCF网络训练参数设置：在RCF的训练中，第1-5stage的1×1卷积层的权重由标准偏差为0.01的零均值高斯分布初始化，卷积层的偏差初始化为0。融合阶段的1×1卷积层的权重初始化为0.2，而偏差同样初始化为0。整个网络使用小批量随机梯度下降(SGD)进行训练，在每次迭代中为小批量随机采样10张图像。对于其他SGD的超参数，全局学习率设为1e-8，并且每10k次迭代后就将其除以10。动量(Momentum)和权重衰减(WeightDecay)分别设置为0.9和0.0002。总共训练了20个epoch，在epoch19得到最佳模型。
获取待测样本并基于边缘检测模型对待测样本进行边缘粗提取，得到边缘概率图；
具体地，将待测样本输入到步骤最佳边缘检测模型，提取圆孔粗边缘，在输出端得到圆孔轮廓的边缘概率图，其中每个像素点被判定为边缘的概率越大，其灰度值越大，相反灰度值越小。
根据边缘概率图选取像素点集；
将最小二乘法与Ransac算法结合并用于所选取的像素点集的拟合，得到圆心坐标、圆孔半径信息；
进一步作为本方法的优选实施例，所述构建数据集并对数据集中的数据进行预处理，得到预处理后的数据这一步骤，其具体包括：
获取圆孔数据集并基于训练完成的超分辨率模型对圆孔数据集进行超分辨率重构，得到重构后圆孔数据集；
将重构后圆孔数据集中的数据分别进行随机水平翻转、垂直翻转和随机剪切，得到扩充后圆孔数据集；
具体地，将重构后得到的圆孔数据集样本分别进行随机水平翻转、垂直翻转以及裁剪因子为0.8(即裁剪后的图片尺寸为初始图片的0.8倍)的随机裁剪等操作将圆孔数据集扩充5倍。
对扩充后圆孔数据集中的数据进行灰度值均衡化处理，得到预处理后的数据。
具体地，采用自适应直方图均衡操作对得到的圆孔数据集样本的纹理特征进行抑制；首先对每一张样本的各个像素点灰度值做频数统计，计算其概率，根据像素的灰度值计算出累积概率，最后将累积概率*255做为函数映射后的灰度值，使得灰度值之间的间隔更小，即一些频数较大的灰度值补充给了频数较小的灰度值，从而实现了灰度值的均衡化。
进一步作为本方法优选实施例，所述训练完成的超分辨率模型的训练步骤具体包括：
获取训练数据集并基于imresize函数对其中的部分圆孔数据进行缩小，得到低分辨率数据；
具体地，对圆孔数据用Matlab的imresize函数进行bicubic(双三次插值)下采样，缩小比例为x2，x3，x4，作为低分辨率数据。
以没有缩小的圆孔数据为高分辨率数据；
将低分辨率数据作为图像输入，高分辨率数据作为标签输入对EDSR网络进行训练；
具体地，EDSR是一个用于超分辨率技术的加强的深度残差网络，主要是以SR-Resnet为基础进行改造，通过增加网络的深度(卷积层的层数)和宽度(卷积核的通道数)来提高计算的准确度，在本发明中EDSR的作用主要是通过该网络对低质量的圆孔数据集进行超分辨率重构，得到更高质量的圆孔数据集。
基于EDSR网络中的卷积层和残差块分别对图像进行处理，得到低层特征和高层特征；
基于EDSR网络中的反卷积层对低层特征和高层特征进行上采样处理并通过最后卷积层生成高分辨率输出；
基于均方误差的损失函数计算高分辨率输出和标签之间的误差，得到误差结果；
根据误差结果调节EDSR网络的参数，得到训练完成的超分辨率模型。
进一步作为本方法优选实施例，所述根据边缘概率图选取像素点集这一步骤，其具体包括：
根据边缘概率图的大小初步限定得到圆孔边缘限定区域；
根据边缘概率图中的纹理复杂程度将圆孔分为第一类圆孔和第二类圆孔；
对于第一类圆孔，将圆孔边缘限定区域中像素值大于160的像素点记为数据点；
对于第二类圆孔，将圆孔边缘限定区域中像素值大于235的像素点记为数据点；
将数据点整合，得到像素点集。
具体地，根据边缘概率图的大小，以(x1，y1)为中心坐标，2*r1为边长，初步限定圆孔边缘所在区域，x1，y1，r1取值如下式所示：
将边缘概率图中纹理较为复杂，圆孔边缘板材纹理极其相似，难以区分的花色种类分为第一类，采用pixel(像素值)>160作为判断条件，将限定区域内像素灰度值大于160的像素点坐标记为数据点，而相应的像素灰度值小于160的数据点不予考虑；
将圆孔边缘清晰，纹理较少的花色种类分为第二类，采用pixel>235作为判断条件，将限定区域内像素灰度值大于235的像素点坐标记为数据点，而相应的像素灰度值小于235的数据点不予考虑。
进一步作为本方法的优选实施例，所述将最小二乘法与Ransac算法结合并用于所选取的像素点集的拟合，得到圆心坐标、圆孔半径信息这一步骤，其具体包括：
基于最小二乘法和选取的像素点集进行拟合计算，得到圆心坐标、圆孔半径和方差；
具体地，最小二乘法是一种基于统计的检测方法，它通过最小化误差的平方和，找到一组数据的最佳函数匹配。通常用于曲线的拟合。
判断到方差小于预设值，以最小二乘法计算得到的圆心坐标和圆孔半径为检测结果；
判断到方差不小于预设值，根据预设规则重新进行像素点集的选取并基于Ransac算法重新计算圆心坐标及半径值，得到检测结果。
进一步作为本方法的优选实施例，所述基于最小二乘法和选取的像素点集进行拟合计算，得到圆心坐标、圆孔半径和方差这一步骤，其具体包括：
根据像素点集计算坐标的均值，得到初始圆心坐标；
基于最小二乘法迭代计算得到圆心坐标；
具体地，分别计算其x、y坐标的均值，得到(xm，ym)，将其作为初始圆心坐标，使用最小二乘算法迭代计算得到可能的圆心坐标(xC，yC)。
在像素点集中选取像素点坐标并结合圆心坐标计算半径和对应的方差。
具体地，利用公式：计算选取的像素点坐标(xi，yi)和圆心坐标(xC，yC)求取所有可能的半径值Ri；
计算Ri的平均值作为最小二乘法拟合的圆孔半径值R2，同时计算Ri的方差；
进一步作为本方法的优选实施例，所述判断到方差不小于预设值，根据预设规则重新进行像素点集的选取并基于Ransac算法重新计算圆心坐标及半径值，得到检测结果这一步骤，其具体包括：
判断到方差不小于预设值，将圆孔边缘限定区域中像素值大于70的像素点记为数据点，得到新的像素点集；
具体地，判断到方差不小于2.0，重新进行数据点集的选取，将采用pixel(像素值)>70作为判断条件，将限定区域内像素灰度值大于70的像素点坐标记为数据点，而相应的像素灰度值小于70的数据点不予考虑。
计算新的数据点集中所有像素点到圆心坐标的距离，并得到平均半径、最大半径和最小半径；
具体地，利用公式：计算数据点集中所有像素点到圆心(xC，yC)的距离，再计算所有Ri的均值分别得到最大半径rmax、最小半径rmin以及平均半径rmean。
根据平均半径、最大半径和最小半径进一步对像素点集进行限定，得到待拟合点；
具体地，进一步限定数据点集的范围。若rmin的值小于2.0，则判定该样本属于圆孔内部有纹理的类型，仅选取满足条件：的数据点作为待拟合点；
若rmin的值大于等于2.0，则如果条件：3.6*rmin<＝rmax|rmean：<rmax/2.0成立，则仍判定该样本属于圆孔内部有纹理的类型，选取满足条件：的数据点作为待拟合点；
如果条件：2*rmin<rmax<3*rmin&r_min<rmax*3/4成立，则判定该样本属于圆孔外部有纹理的类型，选取满足条件：Ri∈(rmin，rmax*11/16)的数据点作为待拟合点；
如果是不同于上述任何一种情况，则判定该样本属于圆孔内外几乎没有纹理的类型，选取满足条件：Ri∈(rmin，rmax)的数据点作为待拟合点；
将待拟合点输入到Ransac函数进行拟合，得到半径值和圆心坐标值；
以该半径值和圆心坐标值作为检测结果并输出检测结果。
如图2所示，一种面向家具板材的圆孔检测系统，包括：
预处理模块，用于构建数据集并对数据集中的数据进行预处理，得到预处理后的数据；
边缘检测模型训练模块，基于预处理后的数据对预构建的RCF模型进行训练，得到边缘检测模型；
边缘提取模块，用于获取待测样本并基于边缘检测模型对待测样本进行边缘粗提取，得到边缘概率图；
像素点集选取模块，用于根据边缘概率图选取像素点集；
结果计算模块，基于将最小二乘法与Ransac算法结合并用于所选取的像素点集的拟合，得到圆心坐标、圆孔半径信息；
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种面向家具板材的圆孔检测装置：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种面向家具板材的圆孔检测方法。
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

1.一种面向家具板材的圆孔检测方法，其特征在于，包括以下步骤：
构建数据集并对数据集中的数据进行预处理，得到预处理后的数据；
基于预处理后的数据对预构建的RCF模型进行训练，得到边缘检测模型；
获取待测样本并基于边缘检测模型对待测样本进行边缘粗提取，得到边缘概率图；
根据边缘概率图选取像素点集；
将最小二乘法与Ransac算法结合并用于所选取的像素点集的拟合，得到圆心坐标、圆孔半径信息；
所述构建数据集并对数据集中的数据进行预处理，得到预处理后的数据这一步骤，其具体包括：
获取圆孔数据集并基于训练完成的超分辨率模型对圆孔数据集进行超分辨率重构，得到重构后圆孔数据集；
将重构后圆孔数据集中的数据分别进行随机水平翻转、垂直翻转和随机剪切，得到扩充后圆孔数据集；
对扩充后圆孔数据集中的数据进行灰度值均衡化处理，得到预处理后的数据；
所述根据边缘概率图选取像素点集这一步骤，其具体包括：
根据边缘概率图的大小初步限定得到圆孔边缘限定区域；
根据边缘概率图中的纹理复杂程度将圆孔分为第一类圆孔和第二类圆孔；
对于第一类圆孔，将圆孔边缘限定区域中像素值大于160的像素点记为数据点；
对于第二类圆孔，将圆孔边缘限定区域中像素值大于235的像素点记为数据点；
将数据点整合，得到像素点集；
所述将最小二乘法与Ransac算法结合并用于所选取的像素点集的拟合，得到圆心坐标、圆孔半径信息这一步骤，其具体包括：
基于最小二乘法和选取的像素点集进行拟合计算，得到圆心坐标、圆孔半径和方差；
判断到方差小于预设值，以最小二乘法计算得到的圆心坐标和圆孔半径为检测结果；
判断到方差不小于预设值，根据预设规则重新进行像素点集的选取并基于Ransac算法重新计算圆心坐标及半径值，得到检测结果。
2.根据权利要求1所述一种面向家具板材的圆孔检测方法，其特征在于，所述训练完成的超分辨率模型的训练步骤具体包括：
获取训练数据集并基于imresize函数对其中的部分圆孔数据进行缩小，得到低分辨率数据；
以没有缩小的圆孔数据为高分辨率数据；
将低分辨率数据作为图像输入，高分辨率数据作为标签输入对EDSR网络进行训练；
基于EDSR网络中的卷积层和残差块分别对图像进行处理，得到低层特征和高层特征；
基于EDSR网络中的反卷积层对低层特征和高层特征进行上采样处理并通过最后卷积层生成高分辨率输出；
基于均方误差的损失函数计算高分辨率输出和标签之间的误差，得到误差结果；
根据误差结果调节EDSR网络的参数，得到训练完成的超分辨率模型。
3.根据权利要求2所述一种面向家具板材的圆孔检测方法，其特征在于，所述基于最小二乘法和选取的像素点集进行拟合计算，得到圆心坐标、圆孔半径和方差这一步骤，其具体包括：
根据像素点集计算坐标的均值，得到初始圆心坐标；
基于最小二乘法迭代计算得到圆心坐标；
在像素点集中选取像素点坐标并结合圆心坐标计算半径和对应的方差。
4.根据权利要求3所述一种面向家具板材的圆孔检测方法，其特征在于，所述判断到方差不小于预设值，根据预设规则重新进行像素点集的选取并基于Ransac算法重新计算圆心坐标及半径值，得到检测结果这一步骤，其具体包括：
判断到方差不小于预设值，将圆孔边缘限定区域中像素值大于70的像素点记为数据点，得到新的像素点集；
计算新的数据点集中所有像素点到圆心坐标的距离，并得到平均半径、最大半径和最小半径；
根据平均半径、最大半径和最小半径进一步对像素点集进行限定，得到待拟合点；
将待拟合点输入到Ransac函数进行拟合，得到半径值和圆心坐标值；
以该半径值和圆心坐标值作为检测结果并输出检测结果。
5.一种面向家具板材的圆孔检测系统，其特征在于，包括：
预处理模块，用于构建数据集并对数据集中的数据进行预处理，得到预处理后的数据；
边缘检测模型训练模块，基于预处理后的数据对预构建的RCF模型进行训练，得到边缘检测模型；
边缘提取模块，用于获取待测样本并基于边缘检测模型对待测样本进行边缘粗提取，得到边缘概率图；
像素点集选取模块，用于根据边缘概率图选取像素点集；
结果计算模块，用于将最小二乘法与Ransac算法结合并用于所选取的像素点集的拟合，得到圆心坐标、圆孔半径信息；
所述构建数据集并对数据集中的数据进行预处理，得到预处理后的数据，其具体包括：获取圆孔数据集并基于训练完成的超分辨率模型对圆孔数据集进行超分辨率重构，得到重构后圆孔数据集；将重构后圆孔数据集中的数据分别进行随机水平翻转、垂直翻转和随机剪切，得到扩充后圆孔数据集；对扩充后圆孔数据集中的数据进行灰度值均衡化处理，得到预处理后的数据；
所述根据边缘概率图选取像素点集，其具体包括：根据边缘概率图的大小初步限定得到圆孔边缘限定区域；根据边缘概率图中的纹理复杂程度将圆孔分为第一类圆孔和第二类圆孔；对于第一类圆孔，将圆孔边缘限定区域中像素值大于160的像素点记为数据点；对于第二类圆孔，将圆孔边缘限定区域中像素值大于235的像素点记为数据点；将数据点整合，得到像素点集；
所述将最小二乘法与Ransac算法结合并用于所选取的像素点集的拟合，得到圆心坐标、圆孔半径信息，其具体包括：基于最小二乘法和选取的像素点集进行拟合计算，得到圆心坐标、圆孔半径和方差；判断到方差小于预设值，以最小二乘法计算得到的圆心坐标和圆孔半径为检测结果；判断到方差不小于预设值，根据预设规则重新进行像素点集的选取并基于Ransac算法重新计算圆心坐标及半径值，得到检测结果。
6.一种面向家具板材的圆孔检测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-4任一项所述一种面向家具板材的圆孔检测方法。
CN202110227197.2A 2021-03-02 2021-03-02 一种面向家具板材的圆孔检测方法、系统及装置 Active CN112819823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110227197.2A CN112819823B (zh) 2021-03-02 2021-03-02 一种面向家具板材的圆孔检测方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110227197.2A CN112819823B (zh) 2021-03-02 2021-03-02 一种面向家具板材的圆孔检测方法、系统及装置

Publications (2)

Publication Number Publication Date
CN112819823A CN112819823A (zh) 2021-05-18
CN112819823B true CN112819823B (zh) 2023-10-20

Family

ID=75862530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110227197.2A Active CN112819823B (zh) 2021-03-02 2021-03-02 一种面向家具板材的圆孔检测方法、系统及装置

Country Status (1)

Country Link
CN (1) CN112819823B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564772B (zh) * 2022-11-18 2023-03-07 深圳市大族封测科技股份有限公司 焊球识别方法、焊接设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390696A (zh) * 2019-07-03 2019-10-29 浙江大学 一种基于图像超分辨率重建的圆孔位姿视觉检测方法
CN111754403A (zh) * 2020-06-15 2020-10-09 南京邮电大学 一种基于残差学习的图像超分辨率重构方法
CN112215859A (zh) * 2020-09-18 2021-01-12 浙江工商大学 一种基于深度学习和邻接约束的纹理边界检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390696A (zh) * 2019-07-03 2019-10-29 浙江大学 一种基于图像超分辨率重建的圆孔位姿视觉检测方法
CN111754403A (zh) * 2020-06-15 2020-10-09 南京邮电大学 一种基于残差学习的图像超分辨率重构方法
CN112215859A (zh) * 2020-09-18 2021-01-12 浙江工商大学 一种基于深度学习和邻接约束的纹理边界检测方法

Also Published As

Publication number Publication date
CN112819823A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
WO2022007431A1 (zh) 一种Micro QR二维码的定位方法
CN107633536A (zh) 一种基于二维平面模板的相机标定方法及系统
CN112232391B (zh) 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法
US10776967B2 (en) Raster log digitization system and method
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN109118473B (zh) 基于神经网络的角点检测方法、存储介质与图像处理系统
CN107545207A (zh) 基于图像处理的dm二维码识别方法及装置
CN109708658B (zh) 一种基于卷积神经网络的视觉里程计方法
Lo et al. Joint trilateral filtering for depth map super-resolution
CN109241867B (zh) 采用人工智能算法识别数字岩心图像的方法及装置
CN111833237A (zh) 基于卷积神经网络和局部单应性变换的图像配准方法
CN112396640A (zh) 图像配准方法、装置、电子设备及存储介质
CN107004266A (zh) 检测轮胎表面上缺陷的方法
CN112258448A (zh) 细划痕检测方法、装置、电子设备及计算机可读存储介质
CN109886935A (zh) 一种基于深度学习的道面异物检测方法
CN109064479B (zh) 一种基于邻近视频帧灰度动态特征的海天线检测方法
CN111524139B (zh) 一种基于双边滤波器的角点检测方法和检测系统
CN112819823B (zh) 一种面向家具板材的圆孔检测方法、系统及装置
CN106600615B (zh) 一种图像边缘检测算法评价系统及方法
CN112364881A (zh) 一种进阶采样一致性图像匹配算法
CN113673621A (zh) 一种基于卷积神经网络和maml算法的类圆目标检测方法
CN113744142A (zh) 图像修复方法、电子设备及存储介质
CN107358138B (zh) 非线性畸变ean条码的校正方法、移动终端及存储装置
CN108416815B (zh) 大气光值的测定方法、设备及计算机可读存储介质
CN113763380B (zh) 基于矢量梯度的无参考图像清晰度评价方法

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
GR01 Patent grant
GR01 Patent grant