CN115588024B - 一种基于人工智能的复杂工业影像边缘提取方法及装置 - Google Patents

一种基于人工智能的复杂工业影像边缘提取方法及装置 Download PDF

Info

Publication number
CN115588024B
CN115588024B CN202211487215.1A CN202211487215A CN115588024B CN 115588024 B CN115588024 B CN 115588024B CN 202211487215 A CN202211487215 A CN 202211487215A CN 115588024 B CN115588024 B CN 115588024B
Authority
CN
China
Prior art keywords
image data
feature
processing
module
training
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
CN202211487215.1A
Other languages
English (en)
Other versions
CN115588024A (zh
Inventor
段存立
祝启航
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.)
GOOD VISION PRECISION INSTRUMENT CO LTD
Original Assignee
GOOD VISION PRECISION INSTRUMENT CO LTD
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 GOOD VISION PRECISION INSTRUMENT CO LTD filed Critical GOOD VISION PRECISION INSTRUMENT CO LTD
Priority to CN202211487215.1A priority Critical patent/CN115588024B/zh
Publication of CN115588024A publication Critical patent/CN115588024A/zh
Priority to PCT/CN2023/096433 priority patent/WO2024108947A1/zh
Application granted granted Critical
Publication of CN115588024B publication Critical patent/CN115588024B/zh
Priority to US18/518,522 priority patent/US20240177322A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • 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]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于人工智能的复杂工业影像边缘提取方法及装置，其中，所述方法包括：获得待边缘提取图像数据，对所述待边缘提取图像数据进行影像金字塔处理，获得处理后图像数据；对所述处理后图像数据进行图像裁剪处理，获得裁剪后图像数据；对所述裁剪后图像数据进行缩放处理，获得缩放图像数据；将所述缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理，输出所述缩放图像数据的边缘提取结果。在本发明实施例中，可以实现对边缘模糊、虚化的工业图像快速进行边缘提取，并且所提取的边缘满足工业需求。

Description

一种基于人工智能的复杂工业影像边缘提取方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于人工智能的复杂工业影像边缘提取方法及装置。
背景技术
边缘是图像的最基本的特征。图像边缘检测一直以来都是图像处理领域里研究的关键点，很多图像处理相关项目，都要求能够精确提取到物体的真实边缘，例如基于影像的尺寸测量，基于深度学习的图像分类，基于深度学习的目标检测，等等。随着科学技术的发展，各类工业产品越来越复杂，精度要求也越来越高，特别是需要表面照明的几何特征不但占比很大，而且需要快速精准的测量，同时还希望能够实现自动化﹑智能化，这是整个国内甚至是世界范围的视觉测量行业所共同面对的巨大挑战。
目前边缘提取算法应用最多的就是利用图像的梯度来求导得出，例如CANNY边缘检测算法。但是这种算法有一个很大的缺点，就是在物体边缘对比度不是很强烈的情况下，例如模糊图像，很难真实有效的检测出图像的真实边缘。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于人工智能的复杂工业影像边缘提取方法及装置，可以实现对边缘模糊、虚化的工业图像快速进行边缘提取，并且所提取的边缘满足工业需求。
为了解决上述技术问题，本发明实施例提供了一种基于人工智能的复杂工业影像边缘提取方法，所述方法包括：
获得待边缘提取图像数据，对所述待边缘提取图像数据进行影像金字塔处理，获得处理后图像数据；
对所述处理后图像数据进行图像裁剪处理，获得裁剪后图像数据；
对所述裁剪后图像数据进行缩放处理，获得缩放图像数据；
将所述缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理，输出所述缩放图像数据的边缘提取结果；其中，所述人工智能模型依次包括若干个Conv模块、若干个BottleneckCSP / C3网络模块、SPPF模块、若干个上采样模块和若干个Concat模块。
可选的，所述对所述待边缘提取图像数据进行影像金字塔处理之前，还包括：
利用5*5高斯滤波对所述待边缘提取图像数据进行平滑处理，并将平滑处理后的待边缘提取图像数据的色彩空间统一转换到RGB空间中。
可选的，所述对所述裁剪后图像数据进行缩放处理，获得缩放图像数据，包括：
将所述裁剪后图像数据进行灰度转换处理，获得灰度图像数据；
将所述裁剪后图像数据进行BGR转换处理，获得BGR图像数据；
将所述裁剪后图像数据进行HSV转换处理，获得HSV图像数据；
基于所述灰度图像数据、所述BGR图像数据及所述HSV图像数据进行缩放处理，获得缩放图像数据。
可选的，所述人工智能模型的训练过程，包括：
获得训练图像数据，对所述训练图像数据进行影像金字塔处理，获得处理后训练图像数据；
基于所述处理后训练图像数据进行人工边缘标注处理，获得标注训练图像数据；
对所述标注训练图像数据进行增强处理，获得增强后训练图像数据；
对所述增强后训练图像数据进行缩放处理，获得缩放训练图像数据；
将所述缩放训练图像数据输入所述人工智能模型中进行训练处理，直至所述人工智能模型收敛。
可选的，所述对所述标注训练图像数据进行增强处理，获得增强后训练图像数据，包括：
将任意两张所述标注训练图像数据进行按比例混合处理，获得按比例混合分类训练图像数据；
将所述标注训练图像数据中的部分区域进行裁剪处理，并将裁剪部分使用0像素值进行填充，获得第一裁剪训练图像数据；
将所述标注训练图像数据中的部分区域进行裁剪处理，并使用随机的一张的标注训练图像数据的区域的像素值进行填充，获得第二裁剪训练图像数据；
基于所述按比例混合分类训练图像数据、所述第一裁剪训练图像数据及所述第二裁剪训练图像数据获得增强后训练图像数据。
可选的，所述将所述缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理，包括：
将所述缩放图像数据输入所述训练收敛的人工智能模型中，并在训练收敛的人工智能模型使用上采样模块进行特征提取处理，获得采样提取特征图像；
将所述采样提取特征图像输入BottleneckCSP / C3网络模块中进行特征提取处理，并将提取特征输入所述SPPF模块中；
所述SPPF模块将输入的提取特征进行复制处理，并使用所述Concat模块将复制提取特征进行连接，获得连接输出特征数据；
将连接输出特征数据通过卷积核数为32的卷积层，生成32*320*320输出特征数据，并经过BN和Leaky Relu将结果输入到骨干网络模型中；
在所述骨干网络模型中依次使用1*1卷积层及3*3的卷积层进行卷积处理，并卷积结果通过残差结构与所述采样提取特征图像相加处理，获得相加特征数据；
对所述相加特征数据采用自适应特征池添加至相邻层中，并在所述Concat模块中进行Concat操作；
对Concat操作依次利用GOU_Loss做回归损失计算及非极大值抑制算法计算处理，并将计算结果作为缩放图像数据的边缘提取结果进行输出。
可选的，所述在训练收敛的人工智能模型使用上采样模块进行特征提取处理，获得采样提取特征图像，包括：
在训练收敛的人工智能模型中利用上采样模块对输入的所述缩放图像数据进行切片操作，并通过卷积核对切片操作后的缩放图像数据进行特征提取处理；
并将特征提取结果经过一次32个卷积核的卷积操作，获得320*320*32的特征图；
采用上采样模块对320*320*32的特征图进行切片操作，通过卷积核对切片操作后的320*320*32的特征图进行特征提取处理，并将提取结果经过一次64个卷积核的卷积操作，获得160*160*64的特征图。
可选的，所述将所述采样提取特征图像输入BottleneckCSP / C3网络模块中进行特征提取处理，并将提取特征输入所述SPPF模块中，包括：
将所述采样提取特征图像输入BottleneckCSP / C3网络模块中通过求和的方式提取图像结构、颜色、边缘和位置特征信息；
将提取的图像结构、颜色、边缘和位置特征信息进行融合处理，获得融合特征图像信息；
基于普通卷积核对融合特征图像信息进行特征提取处理，并对提取结构进行上采样处理，并将提取特征输入所述SPPF模块中。
可选的，所述SPPF模块将输入的提取特征进行复制处理，并使用所述Concat模块将复制提取特征进行连接，获得连接输出特征数据，包括：
SPPF模块将输入的提取特征复制为四份，并通过切片操作将四份复制提取特征切成四个3*320*320 的特征图；
使用所述Concat模块将四个3*320*320 的特征图从深度上进行连接处理，获得12*320*320的特征图。
另外，本发明实施例还提供了一种基于人工智能的复杂工业影像边缘提取装置，所述装置包括：
影像金字塔处理模块：用于获得待边缘提取图像数据，对所述待边缘提取图像数据进行影像金字塔处理，获得处理后图像数据；
裁剪处理模块：用于对所述处理后图像数据进行图像裁剪处理，获得裁剪后图像数据；
缩放处理模块：用于对所述裁剪后图像数据进行缩放处理，获得缩放图像数据；
边缘特征提取模块：用于将所述缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理，输出所述缩放图像数据的边缘提取结果；其中，所述人工智能模型依次包括若干个Conv模块、若干个BottleneckCSP / C3网络模块、SPPF模块、若干个上采样模块和若干个Concat模块。
在本发明实施例中，通过本发明实施方式可以实现对边缘模糊、虚化的工业图像快速进行边缘提取，并且所提取的边缘满足工业需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，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它的附图。
图1是本发明实施例中的基于人工智能的复杂工业影像边缘提取方法的流程示意图；
图2是本发明实施例中的基于人工智能的复杂工业影像边缘提取装置的结构组成示意图。
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。
实施例一
请参阅图1，图1是本发明实施例中的基于人工智能的复杂工业影像边缘提取方法的流程示意图。
如图1所示，一种基于人工智能的复杂工业影像边缘提取方法，所述方法包括：
S11：获得待边缘提取图像数据，对所述待边缘提取图像数据进行影像金字塔处理，获得处理后图像数据；
在本发明具体实施过程中，所述对所述待边缘提取图像数据进行影像金字塔处理之前，还包括：利用5*5高斯滤波对所述待边缘提取图像数据进行平滑处理，并将平滑处理后的待边缘提取图像数据的色彩空间统一转换到RGB空间中。
具体的，通过用户输入的方式或者连接图像采集设备的方式来获得待边缘提取图像数据，并在获得待边缘提取图像数据之后，首先需要利用5*5高斯滤波对待边缘提取图像数据进行平滑处理，并且将平滑处理后的待边缘提取图像数据的色彩空间统一转换到RGB空间中；这样可以方便后续的统一处理，提升数据处理速度和精度。
在转换到RGB空间之后，再对待边缘提取图像数据进行影像金字塔处理，从而获得处理后的图像数据；其中，影像金字塔处理是由原始影像按一定规则生成的由细到粗不同分辨率的影像集。金字塔的底部是图像的高分辨率表示，也就是原始图像，而顶部是低分辨率的近似；最底层的分辨率最高，并且数据量最大，随着层数的增加，其分辨率逐渐降低，数据量也按比例减少；影像金字塔的构建方法有两种：一种是多分辨率的数据源自动构建金字塔；另一种是除了金字塔最底层数据是原始影像数据之外，其他层的影像数据是从底层数据通过采样抽取出来构建的。
S12：对所述处理后图像数据进行图像裁剪处理，获得裁剪后图像数据；
在本发明具体实施过程中，对处理后图像数据进行图像裁剪处理，首先需要对处理后图像数据中的目标进行定位处理，根据定位位置，再进行裁剪，去除处理后图像数据的一些非必要区域，这样有利于后续的处理速度的提升，即可获得裁剪后图像数据。
S13：对所述裁剪后图像数据进行缩放处理，获得缩放图像数据；
在本发明具体实施过程中，所述对所述裁剪后图像数据进行缩放处理，获得缩放图像数据，包括：将所述裁剪后图像数据进行灰度转换处理，获得灰度图像数据；将所述裁剪后图像数据进行BGR转换处理，获得BGR图像数据；将所述裁剪后图像数据进行HSV转换处理，获得HSV图像数据；基于所述灰度图像数据、所述BGR图像数据及所述HSV图像数据进行缩放处理，获得缩放图像数据。
具体的，通过将裁剪后图像数据进行灰度转换处理，然后获得灰度图像数据；再通过将裁剪后图像数据进行BGR转换处理，获得BGR图像数据；再通过将裁剪后图像数据进行HSV转换处理，获得HSV图像数据；最后根据灰度图像数据、BGR图像数据及HSV图像数据来进行缩放处理，最后获得缩放图像数据。
S14：将所述缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理，输出所述缩放图像数据的边缘提取结果；其中，所述人工智能模型依次包括若干个Conv模块、若干个BottleneckCSP / C3网络模块、SPPF模块、若干个上采样模块和若干个Concat模块。
在本发明具体实施过程中，所述人工智能模型的训练过程，包括：获得训练图像数据，对所述训练图像数据进行影像金字塔处理，获得处理后训练图像数据；基于所述处理后训练图像数据进行人工边缘标注处理，获得标注训练图像数据；对所述标注训练图像数据进行增强处理，获得增强后训练图像数据；对所述增强后训练图像数据进行缩放处理，获得缩放训练图像数据；将所述缩放训练图像数据输入所述人工智能模型中进行训练处理，直至所述人工智能模型收敛。
进一步的，所述对所述标注训练图像数据进行增强处理，获得增强后训练图像数据，包括：将任意两张所述标注训练图像数据进行按比例混合处理，获得按比例混合分类训练图像数据；将所述标注训练图像数据中的部分区域进行裁剪处理，并将裁剪部分使用0像素值进行填充，获得第一裁剪训练图像数据；将所述标注训练图像数据中的部分区域进行裁剪处理，并使用随机的一张的标注训练图像数据的区域的像素值进行填充，获得第二裁剪训练图像数据；基于所述按比例混合分类训练图像数据、所述第一裁剪训练图像数据及所述第二裁剪训练图像数据获得增强后训练图像数据。
进一步的，所述将所述缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理，包括：将所述缩放图像数据输入所述训练收敛的人工智能模型中，并在训练收敛的人工智能模型使用上采样模块进行特征提取处理，获得采样提取特征图像；将所述采样提取特征图像输入BottleneckCSP / C3网络模块中进行特征提取处理，并将提取特征输入所述SPPF模块中；所述SPPF模块将输入的提取特征进行复制处理，并使用所述Concat模块将复制提取特征进行连接，获得连接输出特征数据；
将连接输出特征数据通过卷积核数为32的卷积层，生成32*320*320输出特征数据，并经过BN和Leaky Relu将结果输入到骨干网络模型中；在所述骨干网络模型中依次使用1*1卷积层及3*3的卷积层进行卷积处理，并卷积结果通过残差结构与所述采样提取特征图像相加处理，获得相加特征数据；对所述相加特征数据采用自适应特征池添加至相邻层中，并在所述Concat模块中进行Concat操作；对Concat操作依次利用GOU_Loss做回归损失计算及非极大值抑制算法计算处理，并将计算结果作为缩放图像数据的边缘提取结果进行输出。
进一步的，所述在训练收敛的人工智能模型使用上采样模块进行特征提取处理，获得采样提取特征图像，包括：在训练收敛的人工智能模型中利用上采样模块对输入的所述缩放图像数据进行切片操作，并通过卷积核对切片操作后的缩放图像数据进行特征提取处理；并将特征提取结果经过一次32个卷积核的卷积操作，获得320*320*32的特征图；采用上采样模块对320*320*32的特征图进行切片操作，通过卷积核对切片操作后的320*320*32的特征图进行特征提取处理，并将提取结果经过一次64个卷积核的卷积操作，获得160*160*64的特征图。
进一步的，所述将所述采样提取特征图像输入BottleneckCSP / C3网络模块中进行特征提取处理，并将提取特征输入所述SPPF模块中，包括：将所述采样提取特征图像输入BottleneckCSP / C3网络模块中通过求和的方式提取图像结构、颜色、边缘和位置特征信息；将提取的图像结构、颜色、边缘和位置特征信息进行融合处理，获得融合特征图像信息；基于普通卷积核对融合特征图像信息进行特征提取处理，并对提取结构进行上采样处理，并将提取特征输入所述SPPF模块中。
进一步的，所述SPPF模块将输入的提取特征进行复制处理，并使用所述Concat模块将复制提取特征进行连接，获得连接输出特征数据，包括：SPPF模块将输入的提取特征复制为四份，并通过切片操作将四份复制提取特征切成四个3*320*320 的特征图；使用所述Concat模块将四个3*320*320 的特征图从深度上进行连接处理，获得12*320*320的特征图。
具体的，首先需要对人工智能模型进行训练，训练过程如下：首先需要获得训练图像数据，然后利用5X5高斯滤波对训练图像数据进行平滑处理，并将图像色彩空间统一转换到RGB空间，再对训练图像数据进行影像金字塔处理，获得处理后训练图像数据；为了方便训练，需要对处理后训练图像数据进行人工边缘标注处理，方便训练时的识别，从而得到标注训练图像数据；为了减少训练时的训练图像数据以及训练时的过拟合问题，需要对标注训练图像数据进行增强处理，获得增强后训练图像数据；然后再对增强后训练图像数据进行缩放处理，获得缩放训练图像数据；最后再将缩放训练图像数据输入人工智能模型中进行训练处理，直至所述人工智能模型收敛；在训练后不收敛时，通过反向传播函数按照偏差值修改人工智能模型中的各层节点的参数，再进行重新训练。
在进行增强处理时，通过将任意两张标注训练图像数据进行按比例混合处理，获得按比例混合分类训练图像数据；同时将标注训练图像数据中的部分区域进行裁剪处理，并将裁剪部分使用0像素值进行填充，获得第一裁剪训练图像数据；同时将标注训练图像数据中的部分区域进行裁剪处理，并使用随机的一张的标注训练图像数据的区域的像素值进行填充，获得第二裁剪训练图像数据；最后通过按比例混合分类训练图像数据、第一裁剪训练图像数据及第二裁剪训练图像数据组合，即可得到增强后训练图像数据。
同时该人工智能模型依次包括若干个Conv模块、若干个BottleneckCSP / C3网络模块、SPPF模块、若干个上采样模块和若干个Concat模块。
在将缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理时，首先将缩放图像数据输入到该训练收敛的人工智能模型中，并在训练收敛的人工智能模型使用上采样模块进行特征提取处理，从而得到采样提取特征图像；然后将采样提取特征图像输入BottleneckCSP / C3网络模块中进行特征提取处理，并将提取特征输入SPPF模块中；该SPPF模块将输入的提取特征进行复制处理，并使用Concat模块将复制提取特征进行连接，获得连接输出特征数据；再将连接输出特征数据通过卷积核数为32的卷积层，生成32*320*320输出特征数据，并经过BN和Leaky Relu将结果输入到骨干网络模型中；在骨干网络模型中依次使用1*1卷积层及3*3的卷积层进行卷积处理，并卷积结果通过残差结构与所述采样提取特征图像相加处理，获得相加特征数据；再对相加特征数据采用自适应特征池添加至相邻层中，并在Concat模块中进行Concat操作；最后对Concat操作结果依次利用GOU_Loss做回归损失计算及非极大值抑制算法计算处理，并将计算结果作为缩放图像数据的边缘提取结果进行输出。
在使用上采样模块进行特征提取处理时，首先在训练收敛的人工智能模型中利用上采样模块对输入的缩放图像数据进行切片操作，并通过卷积核对切片操作后的缩放图像数据进行特征提取处理；然后将特征提取结果经过一次32个卷积核的卷积操作，获得320*320*32的特征图；最后采用上采样模块对320*320*32的特征图进行切片操作，通过卷积核对切片操作后的320*320*32的特征图进行特征提取处理，并将提取结果经过一次64个卷积核的卷积操作，即可获得160*160*64的特征图。
在将采样提取特征图像输入BottleneckCSP / C3网络模块中进行特征提取处理时，首先将采样提取特征图像输入BottleneckCSP / C3网络模块中通过求和的方式提取图像结构、颜色、边缘和位置特征信息；然后再将提取的图像结构、颜色、边缘和位置特征信息进行融合处理，获得融合特征图像信息；最后根据普通卷积核对融合特征图像信息进行特征提取处理，并对提取结构进行上采样处理，并将提取特征输入所述SPPF模块中。
SPPF模块将输入的提取特征进行复制处理，并使用Concat模块将复制提取特征进行连接时，是通过SPPF模块将输入的提取特征复制为四份，并通过切片操作将四份复制提取特征切成四个3*320*320 的特征图；然后再通过使用Concat模块将四个3*320*320 的特征图从深度上进行连接处理，即可获得12*320*320的特征图。
在本发明实施例中，通过本发明实施方式可以实现对边缘模糊、虚化的工业图像快速进行边缘提取，并且所提取的边缘满足工业需求。
实施例二
请参阅图2，图2是本发明实施例中的基于人工智能的复杂工业影像边缘提取装置的结构组成示意图。
如图2所示，一种基于人工智能的复杂工业影像边缘提取装置，所述装置包括：
影像金字塔处理模块21：用于获得待边缘提取图像数据，对所述待边缘提取图像数据进行影像金字塔处理，获得处理后图像数据；
在本发明具体实施过程中，所述对所述待边缘提取图像数据进行影像金字塔处理之前，还包括：利用5*5高斯滤波对所述待边缘提取图像数据进行平滑处理，并将平滑处理后的待边缘提取图像数据的色彩空间统一转换到RGB空间中。
具体的，通过用户输入的方式或者连接图像采集设备的方式来获得待边缘提取图像数据，并在获得待边缘提取图像数据之后，首先需要利用5*5高斯滤波对待边缘提取图像数据进行平滑处理，并且将平滑处理后的待边缘提取图像数据的色彩空间统一转换到RGB空间中；这样可以方便后续的统一处理，提升数据处理速度和精度。
在转换到RGB空间之后，再对待边缘提取图像数据进行影像金字塔处理，从而获得处理后的图像数据；其中，影像金字塔处理是由原始影像按一定规则生成的由细到粗不同分辨率的影像集。金字塔的底部是图像的高分辨率表示，也就是原始图像，而顶部是低分辨率的近似；最底层的分辨率最高，并且数据量最大，随着层数的增加，其分辨率逐渐降低，数据量也按比例减少；影像金字塔的构建方法有两种：一种是多分辨率的数据源自动构建金字塔；另一种是除了金字塔最底层数据是原始影像数据之外，其他层的影像数据是从底层数据通过采样抽取出来构建的。
裁剪处理模块22：用于对所述处理后图像数据进行图像裁剪处理，获得裁剪后图像数据；
在本发明具体实施过程中，对处理后图像数据进行图像裁剪处理，首先需要对处理后图像数据中的目标进行定位处理，根据定位位置，再进行裁剪，去除处理后图像数据的一些非必要区域，这样有利于后续的处理速度的提升，即可获得裁剪后图像数据。
缩放处理模块23：用于对所述裁剪后图像数据进行缩放处理，获得缩放图像数据；
在本发明具体实施过程中，所述对所述裁剪后图像数据进行缩放处理，获得缩放图像数据，包括：将所述裁剪后图像数据进行灰度转换处理，获得灰度图像数据；将所述裁剪后图像数据进行BGR转换处理，获得BGR图像数据；将所述裁剪后图像数据进行HSV转换处理，获得HSV图像数据；基于所述灰度图像数据、所述BGR图像数据及所述HSV图像数据进行缩放处理，获得缩放图像数据。
具体的，通过将裁剪后图像数据进行灰度转换处理，然后获得灰度图像数据；再通过将裁剪后图像数据进行BGR转换处理，获得BGR图像数据；再通过将裁剪后图像数据进行HSV转换处理，获得HSV图像数据；最后根据灰度图像数据、BGR图像数据及HSV图像数据来进行缩放处理，最后获得缩放图像数据。
边缘特征提取模块24：用于将所述缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理，输出所述缩放图像数据的边缘提取结果；其中，所述人工智能模型依次包括若干个Conv模块、若干个BottleneckCSP / C3网络模块、SPPF模块、若干个上采样模块和若干个Concat模块。
在本发明具体实施过程中，所述人工智能模型的训练过程，包括：获得训练图像数据，对所述训练图像数据进行影像金字塔处理，获得处理后训练图像数据；基于所述处理后训练图像数据进行人工边缘标注处理，获得标注训练图像数据；对所述标注训练图像数据进行增强处理，获得增强后训练图像数据；对所述增强后训练图像数据进行缩放处理，获得缩放训练图像数据；将所述缩放训练图像数据输入所述人工智能模型中进行训练处理，直至所述人工智能模型收敛。
进一步的，所述对所述标注训练图像数据进行增强处理，获得增强后训练图像数据，包括：将任意两张所述标注训练图像数据进行按比例混合处理，获得按比例混合分类训练图像数据；将所述标注训练图像数据中的部分区域进行裁剪处理，并将裁剪部分使用0像素值进行填充，获得第一裁剪训练图像数据；将所述标注训练图像数据中的部分区域进行裁剪处理，并使用随机的一张的标注训练图像数据的区域的像素值进行填充，获得第二裁剪训练图像数据；基于所述按比例混合分类训练图像数据、所述第一裁剪训练图像数据及所述第二裁剪训练图像数据获得增强后训练图像数据。
进一步的，所述将所述缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理，包括：将所述缩放图像数据输入所述训练收敛的人工智能模型中，并在训练收敛的人工智能模型使用上采样模块进行特征提取处理，获得采样提取特征图像；将所述采样提取特征图像输入BottleneckCSP / C3网络模块中进行特征提取处理，并将提取特征输入所述SPPF模块中；所述SPPF模块将输入的提取特征进行复制处理，并使用所述Concat模块将复制提取特征进行连接，获得连接输出特征数据；
将连接输出特征数据通过卷积核数为32的卷积层，生成32*320*320输出特征数据，并经过BN和Leaky Relu将结果输入到骨干网络模型中；在所述骨干网络模型中依次使用1*1卷积层及3*3的卷积层进行卷积处理，并卷积结果通过残差结构与所述采样提取特征图像相加处理，获得相加特征数据；对所述相加特征数据采用自适应特征池添加至相邻层中，并在所述Concat模块中进行Concat操作；对Concat操作依次利用GOU_Loss做回归损失计算及非极大值抑制算法计算处理，并将计算结果作为缩放图像数据的边缘提取结果进行输出。
进一步的，所述在训练收敛的人工智能模型使用上采样模块进行特征提取处理，获得采样提取特征图像，包括：在训练收敛的人工智能模型中利用上采样模块对输入的所述缩放图像数据进行切片操作，并通过卷积核对切片操作后的缩放图像数据进行特征提取处理；并将特征提取结果经过一次32个卷积核的卷积操作，获得320*320*32的特征图；采用上采样模块对320*320*32的特征图进行切片操作，通过卷积核对切片操作后的320*320*32的特征图进行特征提取处理，并将提取结果经过一次64个卷积核的卷积操作，获得160*160*64的特征图。
进一步的，所述将所述采样提取特征图像输入BottleneckCSP / C3网络模块中进行特征提取处理，并将提取特征输入所述SPPF模块中，包括：将所述采样提取特征图像输入BottleneckCSP / C3网络模块中通过求和的方式提取图像结构、颜色、边缘和位置特征信息；将提取的图像结构、颜色、边缘和位置特征信息进行融合处理，获得融合特征图像信息；基于普通卷积核对融合特征图像信息进行特征提取处理，并对提取结构进行上采样处理，并将提取特征输入所述SPPF模块中。
进一步的，所述SPPF模块将输入的提取特征进行复制处理，并使用所述Concat模块将复制提取特征进行连接，获得连接输出特征数据，包括：SPPF模块将输入的提取特征复制为四份，并通过切片操作将四份复制提取特征切成四个3*320*320 的特征图；使用所述Concat模块将四个3*320*320 的特征图从深度上进行连接处理，获得12*320*320的特征图。
具体的，首先需要对人工智能模型进行训练，训练过程如下：首先需要获得训练图像数据，然后利用5X5高斯滤波对训练图像数据进行平滑处理，并将图像色彩空间统一转换到RGB空间，再对训练图像数据进行影像金字塔处理，获得处理后训练图像数据；为了方便训练，需要对处理后训练图像数据进行人工边缘标注处理，方便训练时的识别，从而得到标注训练图像数据；为了减少训练时的训练图像数据以及训练时的过拟合问题，需要对标注训练图像数据进行增强处理，获得增强后训练图像数据；然后再对增强后训练图像数据进行缩放处理，获得缩放训练图像数据；最后再将缩放训练图像数据输入人工智能模型中进行训练处理，直至所述人工智能模型收敛；在训练后不收敛时，通过反向传播函数按照偏差值修改人工智能模型中的各层节点的参数，再进行重新训练。
在进行增强处理时，通过将任意两张标注训练图像数据进行按比例混合处理，获得按比例混合分类训练图像数据；同时将标注训练图像数据中的部分区域进行裁剪处理，并将裁剪部分使用0像素值进行填充，获得第一裁剪训练图像数据；同时将标注训练图像数据中的部分区域进行裁剪处理，并使用随机的一张的标注训练图像数据的区域的像素值进行填充，获得第二裁剪训练图像数据；最后通过按比例混合分类训练图像数据、第一裁剪训练图像数据及第二裁剪训练图像数据组合，即可得到增强后训练图像数据。
同时该人工智能模型依次包括若干个Conv模块、若干个BottleneckCSP / C3网络模块、SPPF模块、若干个上采样模块和若干个Concat模块。
在将缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理时，首先将缩放图像数据输入到该训练收敛的人工智能模型中，并在训练收敛的人工智能模型使用上采样模块进行特征提取处理，从而得到采样提取特征图像；然后将采样提取特征图像输入BottleneckCSP / C3网络模块中进行特征提取处理，并将提取特征输入SPPF模块中；该SPPF模块将输入的提取特征进行复制处理，并使用Concat模块将复制提取特征进行连接，获得连接输出特征数据；再将连接输出特征数据通过卷积核数为32的卷积层，生成32*320*320输出特征数据，并经过BN和Leaky Relu将结果输入到骨干网络模型中；在骨干网络模型中依次使用1*1卷积层及3*3的卷积层进行卷积处理，并卷积结果通过残差结构与所述采样提取特征图像相加处理，获得相加特征数据；再对相加特征数据采用自适应特征池添加至相邻层中，并在Concat模块中进行Concat操作；最后对Concat操作结果依次利用GOU_Loss做回归损失计算及非极大值抑制算法计算处理，并将计算结果作为缩放图像数据的边缘提取结果进行输出。
在使用上采样模块进行特征提取处理时，首先在训练收敛的人工智能模型中利用上采样模块对输入的缩放图像数据进行切片操作，并通过卷积核对切片操作后的缩放图像数据进行特征提取处理；然后将特征提取结果经过一次32个卷积核的卷积操作，获得320*320*32的特征图；最后采用上采样模块对320*320*32的特征图进行切片操作，通过卷积核对切片操作后的320*320*32的特征图进行特征提取处理，并将提取结果经过一次64个卷积核的卷积操作，即可获得160*160*64的特征图。
在将采样提取特征图像输入BottleneckCSP / C3网络模块中进行特征提取处理时，首先将采样提取特征图像输入BottleneckCSP / C3网络模块中通过求和的方式提取图像结构、颜色、边缘和位置特征信息；然后再将提取的图像结构、颜色、边缘和位置特征信息进行融合处理，获得融合特征图像信息；最后根据普通卷积核对融合特征图像信息进行特征提取处理，并对提取结构进行上采样处理，并将提取特征输入所述SPPF模块中。
SPPF模块将输入的提取特征进行复制处理，并使用Concat模块将复制提取特征进行连接时，是通过SPPF模块将输入的提取特征复制为四份，并通过切片操作将四份复制提取特征切成四个3*320*320 的特征图；然后再通过使用Concat模块将四个3*320*320 的特征图从深度上进行连接处理，即可获得12*320*320的特征图。
在本发明实施例中，通过本发明实施方式可以实现对边缘模糊、虚化的工业图像快速进行边缘提取，并且所提取的边缘满足工业需求。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，ReadOnly Memory）、随机存取存储器（RAM，Random AccessMemory）、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于人工智能的复杂工业影像边缘提取方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种基于人工智能的复杂工业影像边缘提取方法，其特征在于，所述方法包括：
获得待边缘提取图像数据，对所述待边缘提取图像数据进行影像金字塔处理，获得处理后图像数据；
对所述处理后图像数据进行图像裁剪处理，获得裁剪后图像数据；
对所述裁剪后图像数据进行缩放处理，获得缩放图像数据；
将所述缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理，输出所述缩放图像数据的边缘提取结果；其中，所述人工智能模型依次包括若干个Conv模块、若干个BottleneckCSP/C3网络模块、SPPF模块、若干个上采样模块和若干个Concat模块；
所述将所述缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理，包括：
将所述缩放图像数据输入所述训练收敛的人工智能模型中，并在训练收敛的人工智能模型使用上采样模块进行特征提取处理，获得采样提取特征图像；
将所述采样提取特征图像输入BottleneckCSP/C3网络模块中进行特征提取处理，并将提取特征输入所述SPPF模块中；
所述SPPF模块将输入的提取特征进行复制处理，并使用所述Concat模块将复制提取特征进行连接，获得连接输出特征数据；
将连接输出特征数据通过卷积核数为32的卷积层，生成32*320*320输出特征数据，并经过BN和Leaky Relu将结果输入到骨干网络模型中；
在所述骨干网络模型中依次使用1*1卷积层及3*3的卷积层进行卷积处理，并将卷积结果通过残差结构与所述采样提取特征图像相加处理，获得相加特征数据；
对所述相加特征数据采用自适应特征池添加至相邻层中，并在所述Concat模块中进行Concat操作；
对Concat操作结果依次利用GOU_Loss做回归损失计算及非极大值抑制算法计算处理，并将计算结果作为缩放图像数据的边缘提取结果进行输出；
所述在训练收敛的人工智能模型使用上采样模块进行特征提取处理，获得采样提取特征图像，包括：
在训练收敛的人工智能模型中利用上采样模块对输入的所述缩放图像数据进行切片操作，并通过卷积核对切片操作后的缩放图像数据进行特征提取处理；
并将特征提取结果经过一次32个卷积核的卷积操作，获得320*320*32的特征图；
采用上采样模块对320*320*32的特征图进行切片操作，通过卷积核对切片操作后的320*320*32的特征图进行特征提取处理，并将提取结果经过一次64个卷积核的卷积操作，获得160*160*64的特征图；
所述将所述采样提取特征图像输入BottleneckCSP/C3网络模块中进行特征提取处理，并将提取特征输入所述SPPF模块中，包括：
将所述采样提取特征图像输入BottleneckCSP/C3网络模块中通过求和的方式提取图像结构、颜色、边缘和位置特征信息；
将提取的图像结构、颜色、边缘和位置特征信息进行融合处理，获得融合特征图像信息；
基于普通卷积核对融合特征图像信息进行特征提取处理，并对提取结构进行上采样处理，并将提取特征输入所述SPPF模块中。
2.根据权利要求1所述的复杂工业影像边缘提取方法，其特征在于，所述对所述待边缘提取图像数据进行影像金字塔处理之前，还包括：
利用5*5高斯滤波对所述待边缘提取图像数据进行平滑处理，并将平滑处理后的待边缘提取图像数据的色彩空间统一转换到RGB空间中。
3.根据权利要求1所述的复杂工业影像边缘提取方法，其特征在于，所述对所述裁剪后图像数据进行缩放处理，获得缩放图像数据，包括：
将所述裁剪后图像数据进行灰度转换处理，获得灰度图像数据；
将所述裁剪后图像数据进行BGR转换处理，获得BGR图像数据；
将所述裁剪后图像数据进行HSV转换处理，获得HSV图像数据；
基于所述灰度图像数据、所述BGR图像数据及所述HSV图像数据进行缩放处理，获得缩放图像数据。
4.根据权利要求1所述的复杂工业影像边缘提取方法，其特征在于，所述人工智能模型的训练过程，包括：
获得训练图像数据，对所述训练图像数据进行影像金字塔处理，获得处理后训练图像数据；
基于所述处理后训练图像数据进行人工边缘标注处理，获得标注训练图像数据；
对所述标注训练图像数据进行增强处理，获得增强后训练图像数据；
对所述增强后训练图像数据进行缩放处理，获得缩放训练图像数据；
将所述缩放训练图像数据输入所述人工智能模型中进行训练处理，直至所述人工智能模型收敛。
5.根据权利要求4所述的复杂工业影像边缘提取方法，其特征在于，所述对所述标注训练图像数据进行增强处理，获得增强后训练图像数据，包括：
将任意两张所述标注训练图像数据进行按比例混合处理，获得按比例混合分类训练图像数据；
将所述标注训练图像数据中的部分区域进行裁剪处理，并将裁剪部分使用0像素值进行填充，获得第一裁剪训练图像数据；
将所述标注训练图像数据中的部分区域进行裁剪处理，并使用随机的一张的标注训练图像数据的区域的像素值进行填充，获得第二裁剪训练图像数据；
基于所述按比例混合分类训练图像数据、所述第一裁剪训练图像数据及所述第二裁剪训练图像数据获得增强后训练图像数据。
6.根据权利要求1所述的复杂工业影像边缘提取方法，其特征在于，所述SPPF模块将输入的提取特征进行复制处理，并使用所述Concat模块将复制提取特征进行连接，获得连接输出特征数据，包括：
SPPF模块将输入的提取特征复制为四份，并通过切片操作将四份复制提取特征切成四个3*320*320的特征图；
使用所述Concat模块将四个3*320*320的特征图从深度上进行连接处理，获得12*320*320的特征图。
7.一种基于人工智能的复杂工业影像边缘提取装置，其特征在于，所述装置包括：
影像金字塔处理模块：用于获得待边缘提取图像数据，对所述待边缘提取图像数据进行影像金字塔处理，获得处理后图像数据；
裁剪处理模块：用于对所述处理后图像数据进行图像裁剪处理，获得裁剪后图像数据；
缩放处理模块：用于对所述裁剪后图像数据进行缩放处理，获得缩放图像数据；
边缘特征提取模块：用于将所述缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理，输出所述缩放图像数据的边缘提取结果；其中，所述人工智能模型依次包括若干个Conv模块、若干个BottleneckCSP/C3网络模块、SPPF模块、若干个上采样模块和若干个Concat模块；
所述将所述缩放图像数据输入训练收敛的人工智能模型中进行边缘提取处理，包括：
将所述缩放图像数据输入所述训练收敛的人工智能模型中，并在训练收敛的人工智能模型使用上采样模块进行特征提取处理，获得采样提取特征图像；
将所述采样提取特征图像输入BottleneckCSP/C3网络模块中进行特征提取处理，并将提取特征输入所述SPPF模块中；
所述SPPF模块将输入的提取特征进行复制处理，并使用所述Concat模块将复制提取特征进行连接，获得连接输出特征数据；
将连接输出特征数据通过卷积核数为32的卷积层，生成32*320*320输出特征数据，并经过BN和Leaky Relu将结果输入到骨干网络模型中；
在所述骨干网络模型中依次使用1*1卷积层及3*3的卷积层进行卷积处理，并将卷积结果通过残差结构与所述采样提取特征图像相加处理，获得相加特征数据；
对所述相加特征数据采用自适应特征池添加至相邻层中，并在所述Concat模块中进行Concat操作；
对Concat操作结果依次利用GOU_Loss做回归损失计算及非极大值抑制算法计算处理，并将计算结果作为缩放图像数据的边缘提取结果进行输出；
所述在训练收敛的人工智能模型使用上采样模块进行特征提取处理，获得采样提取特征图像，包括：
在训练收敛的人工智能模型中利用上采样模块对输入的所述缩放图像数据进行切片操作，并通过卷积核对切片操作后的缩放图像数据进行特征提取处理；
并将特征提取结果经过一次32个卷积核的卷积操作，获得320*320*32的特征图；
采用上采样模块对320*320*32的特征图进行切片操作，通过卷积核对切片操作后的320*320*32的特征图进行特征提取处理，并将提取结果经过一次64个卷积核的卷积操作，获得160*160*64的特征图；
所述将所述采样提取特征图像输入BottleneckCSP/C3网络模块中进行特征提取处理，并将提取特征输入所述SPPF模块中，包括：
将所述采样提取特征图像输入BottleneckCSP/C3网络模块中通过求和的方式提取图像结构、颜色、边缘和位置特征信息；
将提取的图像结构、颜色、边缘和位置特征信息进行融合处理，获得融合特征图像信息；
基于普通卷积核对融合特征图像信息进行特征提取处理，并对提取结构进行上采样处理，并将提取特征输入所述SPPF模块中。
CN202211487215.1A 2022-11-25 2022-11-25 一种基于人工智能的复杂工业影像边缘提取方法及装置 Active CN115588024B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202211487215.1A CN115588024B (zh) 2022-11-25 2022-11-25 一种基于人工智能的复杂工业影像边缘提取方法及装置
PCT/CN2023/096433 WO2024108947A1 (zh) 2022-11-25 2023-05-26 一种基于人工智能的复杂工业影像边缘提取方法及装置
US18/518,522 US20240177322A1 (en) 2022-11-25 2023-11-23 Complex industrial image edge extraction method based on artificial intelligence and complex industrial image edge extraction device thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211487215.1A CN115588024B (zh) 2022-11-25 2022-11-25 一种基于人工智能的复杂工业影像边缘提取方法及装置

Publications (2)

Publication Number Publication Date
CN115588024A CN115588024A (zh) 2023-01-10
CN115588024B true CN115588024B (zh) 2023-06-20

Family

ID=84783170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211487215.1A Active CN115588024B (zh) 2022-11-25 2022-11-25 一种基于人工智能的复杂工业影像边缘提取方法及装置

Country Status (2)

Country Link
CN (1) CN115588024B (zh)
WO (1) WO2024108947A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115588024B (zh) * 2022-11-25 2023-06-20 东莞市兆丰精密仪器有限公司 一种基于人工智能的复杂工业影像边缘提取方法及装置
CN117576521A (zh) * 2024-01-16 2024-02-20 广州市易鸿智能装备股份有限公司 一种提高工业图像检测模型准确率的方法
CN118279081B (zh) * 2024-06-04 2024-08-09 山东科技大学 一种煤矿充填开采效果评价方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10229346B1 (en) * 2018-09-04 2019-03-12 StradVision, Inc. Learning method, learning device for detecting object using edge image and testing method, testing device using the same
CN113724278A (zh) * 2021-09-10 2021-11-30 昭通亮风台信息科技有限公司 基于边缘检测的交通道路图像分割方法、系统及计算机可读存储介质
CN114529459A (zh) * 2022-04-25 2022-05-24 东莞市兆丰精密仪器有限公司 一种对图像边缘进行增强处理的方法和系统及介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109741351A (zh) * 2018-12-12 2019-05-10 中国科学院深圳先进技术研究院 一种基于深度学习的类别敏感型边缘检测方法
CN110706242B (zh) * 2019-08-26 2022-05-03 浙江工业大学 一种基于深度残差网络的对象级边缘检测方法
KR102338995B1 (ko) * 2020-01-22 2021-12-14 고려대학교 세종산학협력단 Yolo 기반 경량 경계 상자 검출과 영상 처리를 통한 정확한 동물 탐지 방법 및 장치
KR20220116800A (ko) * 2021-02-15 2022-08-23 에스케이하이닉스 주식회사 영역 정보를 활용한 가장자리 탐지 장치 및 그 방법
CN114022878A (zh) * 2021-08-28 2022-02-08 山西农业大学 一种基于改进YOLOv5的串型番茄实时检测方法
CN113781510B (zh) * 2021-09-15 2024-07-19 上海金仕达软件科技股份有限公司 边缘检测方法、装置及电子设备
CN114012722B (zh) * 2021-11-01 2023-05-30 苏州科德软体电路板有限公司 一种基于深度学习和边缘检测的机械臂抓取目标方法
CN114140806A (zh) * 2021-11-03 2022-03-04 武汉理工大学 一种端到端的实时习题检测方法
CN114973216A (zh) * 2022-06-08 2022-08-30 山东大学 一种多通道视觉信息融合的fod检测方法及系统
CN115100452A (zh) * 2022-06-16 2022-09-23 江苏数恒智能科技有限公司 一种基于人工智能的配网工程台架智能辅助验收系统
CN115588024B (zh) * 2022-11-25 2023-06-20 东莞市兆丰精密仪器有限公司 一种基于人工智能的复杂工业影像边缘提取方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10229346B1 (en) * 2018-09-04 2019-03-12 StradVision, Inc. Learning method, learning device for detecting object using edge image and testing method, testing device using the same
CN113724278A (zh) * 2021-09-10 2021-11-30 昭通亮风台信息科技有限公司 基于边缘检测的交通道路图像分割方法、系统及计算机可读存储介质
CN114529459A (zh) * 2022-04-25 2022-05-24 东莞市兆丰精密仪器有限公司 一种对图像边缘进行增强处理的方法和系统及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
目标边缘特征增强检测算法;李雪萌 等;大连民族大学学报(01);第48-52页 *

Also Published As

Publication number Publication date
CN115588024A (zh) 2023-01-10
WO2024108947A1 (zh) 2024-05-30

Similar Documents

Publication Publication Date Title
CN115588024B (zh) 一种基于人工智能的复杂工业影像边缘提取方法及装置
CN109299274B (zh) 一种基于全卷积神经网络的自然场景文本检测方法
CN109190752B (zh) 基于深度学习的全局特征和局部特征的图像语义分割方法
CN111814860A (zh) 一种面向垃圾分类的多目标检测方法
WO2022227770A1 (zh) 目标对象检测模型的训练方法、目标对象检测方法和设备
CN110751154B (zh) 一种基于像素级分割的复杂环境多形状文本检测方法
WO2024041032A1 (zh) 基于不可编辑的图文类图像生成可编辑文档的方法及装置
CN112800955A (zh) 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统
CN112257810B (zh) 一种基于改进FasterR-CNN的海底生物目标检测方法
CN114627290A (zh) 一种基于改进DeepLabV3+网络的机械零部件图像分割算法
CN116740528A (zh) 一种基于阴影特征的侧扫声呐图像目标检测方法及系统
CN111680755A (zh) 医学图像识别模型构建及医学图像识别方法、装置、介质及终端
CN114581646A (zh) 文本识别方法、装置、电子设备及存储介质
CN116797939A (zh) 一种sar舰船旋转目标检测方法
CN113191237A (zh) 一种基于改进YOLOv3的果树图像小目标检测方法及装置
Goud et al. Text localization and recognition from natural scene images using ai
CN117173547A (zh) 一种基于改进的YOLOv6算法的水下目标检测方法
CN113657403B (zh) 图像处理方法及图像处理网络的训练方法
CN116188361A (zh) 一种基于深度学习的铝型材表面缺陷分类方法及装置
CN116071307A (zh) 路面缺陷检测模型建立方法、检测方法、存储介质及设备
CN115861922A (zh) 一种稀疏烟火检测方法、装置、计算机设备及存储介质
US20240177322A1 (en) Complex industrial image edge extraction method based on artificial intelligence and complex industrial image edge extraction device thereof
CN114708266A (zh) 一种卡片缺陷的检测工装、方法、装置以及介质
CN115170854A (zh) 基于端到端的PCANetV2的图像分类方法和系统
CN112651926A (zh) 一种基于递归注意力机制的裂纹检测的方法及装置

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