CN113362316A - 一种精确识别图像边缘物体的方法 - Google Patents
一种精确识别图像边缘物体的方法 Download PDFInfo
- Publication number
- CN113362316A CN113362316A CN202110697678.XA CN202110697678A CN113362316A CN 113362316 A CN113362316 A CN 113362316A CN 202110697678 A CN202110697678 A CN 202110697678A CN 113362316 A CN113362316 A CN 113362316A
- Authority
- CN
- China
- Prior art keywords
- edge
- image
- target image
- model
- accurately identifying
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000002776 aggregation Effects 0.000 claims abstract description 27
- 238000004220 aggregation Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06T7/0004—Industrial image inspection
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种精确识别图像边缘物体的方法,涉及图像检测技术领域。本发明包括以下步骤:步骤1:若干3D视觉传感器对不同目标进行图像采集,并将采集得到的图像转化为灰度图像;步骤2:若干个边缘节点对若干个3D视觉传感器采集的目标图像进行特征提取;步骤3:每个边缘节点将比对后的边缘存在物体的目标图像发送至聚合服务器;步骤4:云中心服务器接收聚合服务器发送的目标图像边缘存在物体的图像,并提醒用户目标图像边缘存在物体;步骤5:云中心服务器内部的目标图像边缘存在物体的目标图像经人工核实后,将识别正确的图像上传至样本库。不仅有很高的检测精确,而且大大提高了检测效率,降低了人工使用的成本,有利于大规模推广。
Description
技术领域
本发明属于图像检测技术领域,特别是涉及一种精确识别图像边缘物体的方法。
背景技术
图像检测将边缘检测的思路扩展到识别整幅图像,通常达到判别被检测的图像是否属于已知图像数据库中的某一幅图像,或者经过综合判别后,推断该图像与某一幅已知的图像最相似的目的。图像检测有时也被用于从一幅已知图像中检索出某个给定的子图像。
目前在高压变电站、高压输电线路中,以及一些治安场景下,高压变电站和高压输电线路中,一些零部件件长时间的暴露在外,较为容易的发生故障,一些治安场景下周围环境不能有人或物体靠近,这些情况下,传统的通过人工检测的方法,准确率很好,但是存在着效率低,浪费人力等一系列问题。
发明内容
本发明的目的在于提供一种精确识别图像边缘物体的方法,解决了上述技术背景中的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种精确识别图像边缘物体的方法,包括以下步骤:
步骤1:若干3D视觉传感器对不同目标进行图像采集,并将采集得到的图像转化为灰度图像;
步骤2:若干个边缘节点对若干个所述3D视觉传感器采集的目标图像进行特征提取,并将提取的特征模型与本地训练模型进行比对判断;
步骤3:每个边缘节点将比对后的边缘存在物体的目标图像发送至聚合服务器,聚合服务器计算分布模型参数进行全局聚合更新参数,并将更新的参数发送至边缘节点,对本地的模型进行更新;
步骤4:云中心服务器接收聚合服务器发送的目标图像边缘存在物体的图像,并提醒用户目标图像边缘存在物体;
步骤5:云中心服务器内部的目标图像边缘存在物体的目标图像经人工核实后,将识别正确的图像上传至样本库。
优选的,所述步骤1中的图像化灰度化的级别为256级。
优选的,所述步骤2中,通过Inception模型的数据池对目标图像进行特征提取。
优选的,所述步骤2中,每个边缘节点通过节点计算,参与所述步骤3中聚合服务器的模型训练,并将更新的局部模型参数发送至聚合服务器。
优选的,所述步骤5中,预先对云中心服务器上进行基于多模块融合的RestNet101分类模型初始训练,并将训练好的模型下载至步骤2中的一个边缘节点,所述RestNet101网络架构的残差块内部结构中嵌入有SE模块,所述RestNet101网络架构的第一层前和最后一层后集成有CBAM模块。
优选的,所述聚合服务器将权重参数发送至所述云中心服务器。
本发明具有以下有益效果:
本发明通过对采集的图像进行灰度处理,降低特征提取的计算量,通过设置若干个边缘节点与需要检测的目标对应,不同目标的图像的特征进行分布式提取,达到敏捷连接,实时性强的有点,通过聚合服务器将目标边缘存在物体的图像发送至云中心服务器,进行集中提醒显示,这样不仅有很高的检测精确,而且大大提高了检测效率,降低了人工使用的成本,有利于大规模推广。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
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为一种精确识别图像边缘物体的方法的结构示意图。
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。
请参阅图1,本发明为一种精确识别图像边缘物体的方法,包括以下步骤:
步骤1:若干3D视觉传感器对不同目标进行图像采集,并将采集得到的图像转化为灰度图像,3D视觉传感器可安装在无人机等智能巡检设备上,对高压变电站、高线输电线路件的零部件图像信息进行采集,或者将3D视觉传感器安装治安场景下的关键位置处,进行图像信息的采集,将采集的图像转化为灰度图像可有效的降低后续特征提取的运算量,提高检测效率,通过加权法将图像转化为灰度图像。
步骤2:若干个边缘节点对若干个所述3D视觉传感器采集的目标图像进行特征提取,并将提取的特征模型与本地训练模型进行比对判断,每个3D视觉传感器都对应有一个边缘节点,不同的3D视觉传感器采集的图像可以进行分布式计算,提高连接的敏捷型和整体的实时性,边缘节点对目标图像进行特征提取,将提取的特征模型与边缘节点内部的ResNet101分类模型对比,判断目标图像的边缘是否存在物体,ResNet101分类模型可很好的对目标图像的状态进行识别,从而正确的识别目标图像边缘是否存在物体。
步骤3:每个边缘节点将比对后的边缘存在物体的目标图像发送至聚合服务器,聚合服务器计算分布模型参数进行全局聚合更新参数,并将更新的参数发送至边缘节点,对本地的模型进行更新,聚合服务器负责接收每个边缘节点的发出的边缘存在物体的目标图像参数,并将其发送至云中心服务器,聚合服务器将每个边缘节点发送的边缘不存在物体的模型参数进行融合,并将融合的参数发送至每个边缘节点,使得边缘节点重新开始新的本地训练,更新模型。
步骤4:云中心服务器接收聚合服务器发送的目标图像边缘存在物体的图像,并提醒用户目标图像边缘存在物体,云中心服务器接收的边缘存在物体的目标图像参数后,云中心服务器中的交互界面显示边缘存在物体的目标图像,提醒目标的边缘存在物体。
步骤5:云中心服务器内部的目标图像边缘存在物体的目标图像经人工核实后,将识别正确的图像上传至样本库,最终人工对交互界面的目标进行核实,核实通过后将数据上传至样本库储存,使得现有的模型完成增量学习。
其中,所述步骤1中的图像化灰度化的级别为256级。
其中,所述步骤2中,通过Inception模型的数据池对目标图像进行特征提取,Inception模型中的数据池化层以结构并行方式,通过串联和堆叠多个不同尺寸的卷积来代替7*7的卷积核,将输入的目标图像同时传入四个分支,使用1*1的卷积核进行降维以及映射处理,第三个分支使用2个级联的3*3滤波器进行卷卷积操作,在每个卷积层后加入ReLU激活函数,增加网络的非线性,将得到的四个不同尺度的矩阵按深度拼接,得到提取的特征矩阵。
其中,所述步骤2中,每个边缘节点通过节点计算,参与所述步骤3中聚合服务器的模型训练,并将更新的局部模型参数发送至聚合服务器,由于长时间的在外,零部件可能一致产生细微的变化,在每个边缘节点比对目标图像的同时,边缘节点将不存在物体的目标图像模型参数发送至聚合服务器。
其中,所述步骤5中,预先对云中心服务器上进行基于多模块融合的RestNet101分类模型初始训练,并将训练好的模型下载至步骤2中的一个边缘节点,所述RestNet101网络架构的残差块内部结构中嵌入有SE模块,所述RestNet101网络架构的第一层前和最后一层后集成有CBAM模块,这样使得模型的识别准确率提高,提高模型的特征提取能力。
其中,所述聚合服务器将权重参数发送至所述云中心服务器,聚合服务器将更新后的模型上传至云中心服务器,通过云中心服务器将更新的模型储存在样本库内。
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 (6)
1.一种精确识别图像边缘物体的方法,其特征在于:包括以下步骤:
步骤1:若干3D视觉传感器对不同目标进行图像采集,并将采集得到的图像转化为灰度图像;
步骤2:若干个边缘节点对若干个所述3D视觉传感器采集的目标图像进行特征提取,并将提取的特征模型与本地训练模型进行比对判断;
步骤3:每个边缘节点将比对后的边缘存在物体的目标图像发送至聚合服务器,聚合服务器计算分布模型参数进行全局聚合更新参数,并将更新的参数发送至边缘节点,对本地的模型进行更新;
步骤4:云中心服务器接收聚合服务器发送的目标图像边缘存在物体的图像,并提醒用户目标图像边缘存在物体;
步骤5:云中心服务器内部的目标图像边缘存在物体的图像经人工核实后,将识别正确的图像上传至样本库。
2.根据权利要求1所述的一种精确识别图像边缘物体的方法,其特征在于,所述步骤1中的图像化灰度化的级别为256级。
3.根据权利要求1所述的一种精确识别图像边缘物体的方法,其特征在于,所述步骤2中,通过Inception模型的数据池对目标图像进行特征提取。
4.根据权利要求1所述的一种精确识别图像边缘物体的方法,其特征在于,所述步骤2中,每个边缘节点通过节点计算,参与所述步骤3中聚合服务器的模型训练,并将更新的局部模型参数发送至聚合服务器。
5.根据权利要求1所述的一种精确识别图像边缘物体的方法,其特征在于,所述步骤5中,预先对云中心服务器上进行基于多模块融合的RestNet101分类模型初始训练,并将训练好的模型下载至步骤2中的一个边缘节点,所述RestNet101网络架构的残差块内部结构中嵌入有SE模块,所述RestNet101网络架构的第一层前和最后一层后集成有CBAM模块。
6.根据权利要求4或5所述的一种精确识别图像边缘物体的方法,其特征在于,所述聚合服务器将权重参数发送至所述云中心服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697678.XA CN113362316A (zh) | 2021-06-23 | 2021-06-23 | 一种精确识别图像边缘物体的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697678.XA CN113362316A (zh) | 2021-06-23 | 2021-06-23 | 一种精确识别图像边缘物体的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113362316A true CN113362316A (zh) | 2021-09-07 |
Family
ID=77535815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110697678.XA Pending CN113362316A (zh) | 2021-06-23 | 2021-06-23 | 一种精确识别图像边缘物体的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362316A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111831430A (zh) * | 2020-06-15 | 2020-10-27 | 国网上海市电力公司 | 一种基于边缘计算的电力设备缺陷识别系统 |
CN112784718A (zh) * | 2021-01-13 | 2021-05-11 | 上海电力大学 | 一种基于边缘计算与深度学习的绝缘子状态识别方法 |
-
2021
- 2021-06-23 CN CN202110697678.XA patent/CN113362316A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111831430A (zh) * | 2020-06-15 | 2020-10-27 | 国网上海市电力公司 | 一种基于边缘计算的电力设备缺陷识别系统 |
CN112784718A (zh) * | 2021-01-13 | 2021-05-11 | 上海电力大学 | 一种基于边缘计算与深度学习的绝缘子状态识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461291B (zh) | 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法 | |
CN109977921B (zh) | 一种输电线路隐患检测方法 | |
CN109063569B (zh) | 一种基于遥感影像的语义级变化检测方法 | |
CN110135319A (zh) | 一种异常行为检测方法及其系统 | |
CN114627360A (zh) | 基于级联检测模型的变电站设备缺陷识别方法 | |
CN107305636A (zh) | 目标识别方法、目标识别装置、终端设备和目标识别系统 | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN113033520A (zh) | 一种基于深度学习的树木线虫病害木识别方法及系统 | |
CN112309068B (zh) | 一种基于深度学习的森林火灾预警方法 | |
CN111126411B (zh) | 一种异常行为识别方法及装置 | |
CN116385958A (zh) | 一种用于电网巡检和监控的边缘智能检测方法 | |
CN117152513A (zh) | 一种面向夜间场景的车辆边界定位方法 | |
Liao et al. | Lr-cnn: Local-aware region cnn for vehicle detection in aerial imagery | |
CN115482473A (zh) | 提取航拍图像特征的图卷积网络模型及检测异常的方法 | |
CN114359167A (zh) | 一种复杂场景下基于轻量化YOLOv4的绝缘子缺陷检测方法 | |
CN112364864A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN112288702A (zh) | 一种基于车联网的道路图像检测方法 | |
CN108693441B (zh) | 一种输电线路绝缘子识别方法及系统 | |
CN111797787A (zh) | 一种基于物联网技术的废弃物图像检测分类系统 | |
CN113362316A (zh) | 一种精确识别图像边缘物体的方法 | |
CN116485802A (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
Gan et al. | Water level classification for flood monitoring system using convolutional neural network | |
CN113822373B (zh) | 一种基于集成与知识蒸馏的图像分类模型训练方法 | |
CN111950343B (zh) | 一种基于卫星遥感技术的输电杆塔自动识别方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |
|
RJ01 | Rejection of invention patent application after publication |